Comparando SparkR e sparklyr
Importante
SparkR em Databricks está obsoleto em Databricks Runtime 16.0 e acima.
Há dois sites disponíveis: APIs para Apache Spark para usuários do R: SparkR e Sparklyr. Databricks recomenda que o senhor use Sparklyrpois o site SparkR foi descontinuado. Para ajudá-lo a migrar seu código, este artigo compara esses APIs.
origens da API
SparkR é construído pela comunidade Spark e desenvolvedores de Databricks. Por causa disso, o SparkR segue de perto as classes Spark Scala e a API DataFrame.
sparklyr começou com o RStudio e desde então foi doado para a Linux Foundation. O sparklyr está totalmente integrado ao , tanto em seu estilo de programação quanto por meio da interoperabilidade da API com dplyr.
SparkR e sparklyr são altamente capazes de trabalhar com big data em R. Nos últimos anos, seus conjuntos de recursos estão se aproximando da paridade.
diferenças de API
O exemplo de código a seguir mostra como usar o SparkR e o sparklyr de um Databricks Notebook para ler um arquivo CSV do datasetde exemplo no Spark.
# #############################################################################
# SparkR usage
# Note: To load SparkR into a Databricks notebook, run the following:
# library(SparkR)
# You can then remove "SparkR::" from the following function call.
# #############################################################################
# Use SparkR to read the airlines dataset from 2008.
airlinesDF <- SparkR::read.df(path = "/databricks-datasets/asa/airlines/2008.csv",
source = "csv",
inferSchema = "true",
header = "true")
# Print the loaded dataset's class name.
cat("Class of SparkR object: ", class(airlinesDF), "\n")
# Output:
#
# Class of SparkR object: SparkDataFrame
# #############################################################################
# sparklyr usage
# Note: To install, load, and connect with sparklyr in a Databricks notebook,
# run the following:
# install.packages("sparklyr")
# library(sparklyr)
# sc <- sparklyr::spark_connect(method = "databricks")
# If you run "library(sparklyr)", you can then remove "sparklyr::" from the
# preceding "spark_connect" and from the following function call.
# #############################################################################
# Use sparklyr to read the airlines dataset from 2007.
airlines_sdf <- sparklyr::spark_read_csv(sc = sc,
name = "airlines",
path = "/databricks-datasets/asa/airlines/2007.csv")
# Print the loaded dataset's class name.
cat("Class of sparklyr object: ", class(airlines_sdf))
# Output:
#
# Class of sparklyr object: tbl_spark tbl_sql tbl_lazy tbl
No entanto, se você tentar executar uma função sparklyr em um objeto SparkDataFrame
do SparkR, ou se tentar executar uma função SparkR em um objeto tbl_spark
do sparklyr, ela não funcionará, conforme mostrado no exemplo de código a seguir.
# Try to call a sparklyr function on a SparkR SparkDataFrame object. It will not work.
sparklyr::sdf_pivot(airlinesDF, DepDelay ~ UniqueCarrier)
# Output:
#
# Error : Unable to retrieve a Spark DataFrame from object of class SparkDataFrame
## Now try to call s Spark R function on a sparklyr tbl_spark object. It also will not work.
SparkR::arrange(airlines_sdf, "DepDelay")
# Output:
#
# Error in (function (classes, fdef, mtable) :
# unable to find an inherited method for function ‘arrange’ for signature ‘"tbl_spark", "character"’
Isso ocorre porque o sparklyr converte as funções dplyr, como arrange
, em um plano query SQL usado pelo SparkSQL. Este não é o caso do SparkR, que possui funções para tabelas SparkSQL e Spark DataFrames. Esses comportamentos são o motivo pelo qual o Databricks não recomenda combinar as APIs SparkR e sparklyr no mesmo script, Notebook ou Job.
Interoperabilidade da API
Em casos raros em que não é possível evitar a combinação das APIs SparkR e sparklyr, você pode usar o SparkSQL como uma espécie de ponte. Por exemplo, no primeiro exemplo deste artigo, sparklyr carregou o dataset das companhias aéreas de 2007 em uma tabela chamada airlines
. Você pode usar a função SparkR sql
para query esta tabela, por exemplo:
top10delaysDF <- SparkR::sql("SELECT
UniqueCarrier,
DepDelay,
Origin
FROM
airlines
WHERE
DepDelay NOT LIKE 'NA'
ORDER BY DepDelay
DESC LIMIT 10")
# Print the class name of the query result.
cat("Class of top10delaysDF: ", class(top10delaysDF), "\n\n")
# Show the query result.
cat("Top 10 airline delays for 2007:\n\n")
head(top10delaysDF, 10)
# Output:
#
# Class of top10delaysDF: SparkDataFrame
#
# Top 10 airline delays for 2007:
#
# UniqueCarrier DepDelay Origin
# 1 AA 999 RNO
# 2 NW 999 EWR
# 3 AA 999 PHL
# 4 MQ 998 RST
# 5 9E 997 SWF
# 6 AA 996 DFW
# 7 NW 996 DEN
# 8 MQ 995 IND
# 9 MQ 994 SJT
# 10 AA 993 MSY
Para obter exemplos adicionais, consulte Trabalhar com DataFrames e tabelas em R.