DataFrame可以从结构化文件、Hive表、外部数据库及RDD加载构建得到。具体的结构化文件、Hive表、外部数据库的相关加载可以参考其他章节，这里主要介绍如何通过RDD来构建DataFrame。
Spark SQL支持两种方式将存在的RDD转化为DataFrame。
第一种：使用反射来推断包含特定对象类型的RDD的模式（Schema）。适用对已知数据结构的RDD转换，基于反射的方式，代码比较简洁。
第二种：是通过一个编程接口来实现的，这个接口允许构造一个模式，然后在存在的RDD上使用它。虽然这种方法代码较为冗长，但是它允许在运行期间不知道列及列类型的情况下构造DataFrame。
下面对这两种方式做进一步解释。
1.利用反射推断模式
Spark SQL能够将含Row对象的RDD转换成DataFrame，并推断数据类型。通过将一个键值对（key/value）列表作为kwargs传给Row类来构造Rows。key定义了表的列名，类型通过第一列数据来推断（所以这里RDD的第一列数据不能有缺失）。未来版本中将会通过看更多数据来推断数据类型，就像现在对JSON文件的处理一样。
2.编程指定模式
通过编程指定模式需要3步：
1）从原来的RDD创建一个元组或列表的RDD。
2）用StructType创建一个和步骤1）中创建的RDD中元组或列表的结构相匹配的模式。
3）通过SQLContext提供的createDataFrame方法将模式应用到RDD上。
动态构造有时候有些麻烦，但是Spark已经提供了一个API，就是DataSet，DataSet可以基于RDD，RDD里面有类型，这样就可以实现RDD与DataFrame的转换。
RDD+DataFrame+DataSet最终会形成三足鼎立的局面。从Spark 2.0开始，会大量使用DataSet，因为DataSet上可以直接查询，操作起来也会非常直观方便。DataSet的底层是钨丝计划，提供了更优的性能改进，DataSet的目标是要所有的子框架都用DataSet来进行计算。
接下来示范如何通过编程接口来实现RDD与DataFrame的转换。
1）首先准备数据
准备的数据文件如下，是名为persons.txt的文本文件。
1001，张三，18
1002，李四，19(www.xing528.com)
……
1098，王五，28
1099，赵六，20
数据格式如下：
●第一列为ID。
●第二列是姓名。
●第三列是年龄。
2）使用Java实践RDD与DataFrame的转换。
在Spark SQL中，建议使用HiveContext来替代SQLContext，它比SQLContext功能更强
以上Java代码实现了RDD与DataFrame的转换，非常简单，主要涉及以下步骤：
●读取文本文件，遍历全部行，创建RDD<Row>。
●构造DataFrame的元数据（MetaData）。
●基于MetaData、RDD<Row>来构造DataFrame。
●注册成为临时表。
●使用上面的临时表，进行数据查询。
●对结果进行处理：DataFrame转换成为RDD<Row>或者持久化。
3）使用Scala实践RDD与DataFrame的转换。
以上通过Scala代码实现了上面Java代码一样的效果，具体实现步骤也基本一致。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
