Spark-Sql快速入门系列(1) | RDD, DataFrame和 DataSet 之间的关系

RDD, DataFrame和 DataSet 之间的关系

• 在 SparkSQL 中 Spark 为我们提供了两个新的抽象，分别是DataFrame和 DataSet。他们和RDD有什么区别呢？首先从版本的产生上来看：
• RDD (Spark1.0) —> Dataframe(Spark1.3) —> Dataset(Spark1.6)
  如果同样的数据都给到这三个数据结构，他们分别计算之后，都会给出相同的结果。不同是的他们的执行效率和执行方式。
• 在后期的 Spark 版本中，DataSet会逐步取代RDD和DataFrame成为唯一的 API 接口。

1.三者的共性

1. RDD、DataFrame、Dataset全都是 Spark 平台下的分布式弹性数据集，为处理超大型数据提供便利
2. 三者都有惰性机制，在进行创建、转换，如map方法时，不会立即执行，只有在遇到Action如foreach时，三者才会开始遍历运算。
3. 三者都会根据 Spark 的内存情况自动缓存运算，这样即使数据量很大，也不用担心会内存溢出
4. 三者都有partition的概念
5. 三者有许多共同的函数，如map, filter，排序等
6. 在对 DataFrame和Dataset进行操作许多操作都需要这个包进行支持 import spark.implicits._
7. DataFrame和Dataset均可使用模式匹配获取各个字段的值和类型

2.三者的区别

RDD

1. RDD一般和spark mlib同时使用
2. RDD不支持sparksql操作

DataFrame

1. 与RDD和Dataset不同，DataFrame每一行的类型固定为Row，每一列的值没法直接访问，只有通过解析才能获取各个字段的值，
2. DataFrame与DataSet一般不与 spark mlib 同时使用
3. DataFrame与DataSet均支持 SparkSQL 的操作，比如select，groupby之类，还能注册临时表/视窗，进行 sql 语句操作
4. DataFrame与DataSet支持一些特别方便的保存方式，比如保存成csv，可以带上表头，这样每一列的字段名一目了然

DataSet

1. Dataset和DataFrame拥有完全相同的成员函数，区别只是每一行的数据类型不同。 DataFrame其实就是DataSet的一个特例
2. DataFrame也可以叫Dataset[Row],每一行的类型是Row，不解析，每一行究竟有哪些字段，各个字段又是什么类型都无从得知，只能用上面提到的getAS方法或者共性中的第七条提到的模式匹配拿出特定字段。而Dataset中，每一行是什么类型是不一定的，在自定义了case class之后可以很自由的获得每一行的信息

3.三者的互相转换

4.简述SparkSQL中RDD、DataFrame、DataSet三者的区别与联系? （笔试重点）

区别

• RDD
  优点:
  编译时类型安全
  编译时就能检查出类型错误
  面向对象的编程风格
  直接通过类名点的方式来操作数据
  缺点:
  序列化和反序列化的性能开销
  无论是集群间的通信, 还是IO操作都需要对对象的结构和数据进行序列化和反序列化。
  GC的性能开销，频繁的创建和销毁对象, 势必会增加GC
• DataFrame
  DataFrame引入了schema和off-heap
  schema : RDD每一行的数据, 结构都是一样的，这个结构就存储在schema中。 Spark通过schema就能够读懂数据, 因此在通信和IO时就只需要序列化和反序列化数据, 而结构的部分就可以省略了。
• DataSet
  DataSet结合了RDD和DataFrame的优点，并带来的一个新的概念Encoder。
  当序列化数据时，Encoder产生字节码与off-heap进行交互，能够达到按需访问数据的效果，而不用反序列化整个对象。Spark还没有提供自定义Encoder的API，但是未来会加入。
  联系