三大弹性分布式数据集：RDD，DataFrame，Dataset 为高效处理超大型数据提供便利
RDD
优点：
1、编译类型安全：编译时就能检查类型错误
2、面向对象：直接通过类名.的方式操作数据
缺点：
1、序列化和反序列化开销大：无论是集群间通信还是IO操作都需对对象的结构和数据进行序列化和反序列化
2、GC的性能开销大：频繁的创建和销毁对象，增加GC
DataFrame
DataFrame引入了schema和offheap
1、schema：RDD每一行的数据结构都一样，这个结构存在schema中，spark通过schema就能读懂数据，因此在通信和IO时，就需序列和反序列化数据，而结构可省略
2、off-heap：意味着JVM以外的内存，这些内存直接受操作系统而非JVM，spark能以二进制形式序列化数据（不包括结构）到off-heap中当操作数据时，就直接操作off-heap内存，由于spark理解schema，所以知道该如何操作
总结：off-heap就像地盘，schema就像地图，spark有了地图和地盘就不再受JVM限制，也不再受GC困扰，通过schema和off-heap，DataFrame解决了RDD的缺点
缺点：DataFrame不是类型安全的，API也不是面向对象风格
DataSet
结合RDD和DataFrame优点，并加入Encoder概念，当序列化数据时，Encoder产生字节码与off-heap交互，能达到按需访问数据的效果，而不是反序列化整个对象