Comparando SparkR e sparklyr

Os usuários do R podem escolher entre duas APIs para Apache Spark: SparkR e sparklyr. Este artigo compara essas APIs. Databricks recomenda que você escolha uma dessas APIs para desenvolver aplicações Spark em R. Combinar o código dessas duas APIs em um único script ou Databricks Notebook ou Job pode tornar seu código mais difícil de ler e manter.

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.