SparkR と sparklyr の比較
R ユーザーは、Apache Spark 用の 2 つの API ( SparkR と sparklyr) の中から選択できます。 この記事では、これらの API を比較します。 Databricks では、R で Spark アプリケーションを開発するために、これらの API のいずれかを選択することをお勧めします。これらの API の両方のコードを 1 つのスクリプトまたは Azure Databricks ノートブックもしくはジョブに結合すると、コードの読み取りと保守が困難になる場合があります。
API 配信元
SparkR は、Databricks から Spark コミュニティと開発者によって作成されています。 このため、SparkR は Spark Scala クラス と DataFrame API に密接に従います。
sparklyr は RStudio から始まり、その後 Linux Foundation に寄贈されました。 sparklyr は、プログラミング スタイルと dplyr との API 相互運用性の両方で、tidyverse に緊密に統合されています。
SparkR と sparklyr は、R でビッグ データを操作する能力が高く、ここ数年内で、その機能セットはパリティに近づいています。
API の相違点
次のコード例は、Azure Databricks ノートブックから SparkR と sparklyr を使用して、サンプル データセットから Spark に CSV ファイルを読み取る方法を示しています。
# #############################################################################
# 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
ただし、次のコード例に示すように、SparkR から SparkDataFrame オブジェクトに sparklyr 関数を実行しようとする場合、または sparklyr から tbl_spark オブジェクトに SparkR 関数を実行しようとする場合は動作しません。
# 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"’
これは、sparklyr は、arrange などの dplyr 関数を、SparkSQL で使用される SQL クエリ プランに変換するためです。 これは、SparkSQL テーブルと Spark DataFrames 用の関数を持つ SparkR には当てはまりません。 これらの動作が、Databricks が同じスクリプト、ノートブック、またはジョブで SparkR API と sparklyr API を組み合わせることをお勧めしない理由です。
API の相互運用性
まれに SparkR API と sparklyr API の組み合わせを回避できない場合、SparkSQL をブリッジの一種として使用できます。 たとえば、この記事の最初の例では、sparklyr によって 2007 年の航空会社データセットが airlines という名前のテーブルに読み込まれました。 SparkR sql 関数を使用して、次の表に対してクエリを実行できます。たとえば、次のとおりです。
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
その他の例については、「R で DataFrame とテーブルを操作する」を参照してください。