这三个都是分布式数据集。但有一点不同，Rdd可以存放用户自定义的数据对象，DataFrame只能存放Row类型的数据和一些Schema信息，而DataSet既可以存放用户自定义的数据类型，又可以存放一些该数据类型的Schema信息。可以说，DataSet结合了Rdd和DataFrame的优点。
Rdd提供了强大的算子操作，但是对于一些结构化数据类型的信息查询并不方便， 比如，假设我们有两个RDD集合，一个存放学生的具体信息，一个存放考试课程的具体信息，现在要求出所有学生的考试分数，就必须使用大量的算子进行操作，然后额外维护一个保存学号的集合，来遍历这个集合输出学号相符的考试情况，假如我们在加入一个Rdd，要求输出3个Rdd中存放的对象的某个字段相等的所有信息，那就更加麻烦，时间复杂度也会指数上升。而且Rdd是不支持更改的，当要对Rdd中的数据进行操作时，它更倾向于创建一个新的Rdd，如果要大量的这样更改Rdd数据的算子操作，会造成频繁的java对象的生成和销毁，gc比较繁琐。
DataFrame由于保持了结构化信息(Schema)，如name，age,height等字段的具体信息。它内部存放的是一行一行的数据，可以用spark内嵌的类Row来描述，而且也支持sql操作，非常便于对数据进行操作。实际上，从这张表中，我们也可以看出，DataFrame更像一张分布式的表结构。但它也有一些缺点，比如不能存放用户自定义的对象数据。因此DataSet作为它的替代接口，已经越来越流行。官网上对DataFrame的描述：DataFrame is simply a type alias of Dataset[Row].也就是说DataFrame可以看作是DataSet中存放的是Row类型数据的一个特例。
DataSet是在spark1.6后加入的。官网上对它的描述为：A Dataset is a distributed collection of data. Dataset is a new interface added in Spark 1.6 that provides the benefits of RDDs (strong typing, ability to use powerful lambda functions) with the benefits of Spark SQL’s optimized execution engine.也就是说DataSet结合了Rdd的优点，并且内部有sql的优化机制。下面我们来看看具体的DataSet创建过程：
SparkConf conf = new SparkConf().setMaster("local");
SparkSession spark = SparkSession
.builder()
.appName("dataSet&dataFrame")
.config(conf)
.getOrCreate();
Person person = new Person("wsh","man");
Person person2 = new Person("sm","femal");
Person person3 = new Person("lx","man");
Encoder<Person> bean = Encoders.bean(Person.class);
Dataset<Person> persons = spark.createDataset(Arrays.asList(person,person2,person3), bean);
persons.show();其中Encoder的具体作用是将一个java对象转化为spark的sql的内部表示，也就是通过反射得到其中的字段信息。
而且DataSet是可以offHeap的，也就是说它可以在堆外内存存放，因此可以有效的减少gc频率。正是由于这些优点，DataSet是Spark大力推荐使用的。
