** RDD、DataFrame和DataSet的区别是什么：** <Excerpt in index | 首页摘要>

​ RDD、DataFrame和DataSet是容易产生混淆的概念，必须对其相互之间对比，才可以知道其中异同：DataFrame多了数据的结构信息，即schema。RDD是分布式的 Java对象的集合。DataFrame是分布式的Row对象的集合。

<The rest of contents | 余下全文>

RDD、DataFrame和DataSet是容易产生混淆的概念，必须对其相互之间对比，才可以知道其中异同。

RDD和DataFrame

RDD-DataFrame

上图直观地体现了DataFrame和RDD的区别。左侧的RDD[Person]虽然以Person为类型参数，但Spark框架本身不了解 Person类的内部结构。而右侧的DataFrame却提供了详细的结构信息，使得Spark SQL可以清楚地知道该数据集中包含哪些列，每列的名称和类型各是什么。DataFrame多了数据的结构信息，即schema。RDD是分布式的 Java对象的集合。DataFrame是分布式的Row对象的集合。DataFrame除了提供了比RDD更丰富的算子以外，更重要的特点是提升执行效率、减少数据读取以及执行计划的优化，比如filter下推、裁剪等。

提升执行效率

RDD API是函数式的，强调不变性，在大部分场景下倾向于创建新对象而不是修改老对象。这一特点虽然带来了干净整洁的API，却也使得Spark应用程序在运行期倾向于创建大量临时对象，对GC造成压力。在现有RDD API的基础之上，我们固然可以利用mapPartitions方法来重载RDD单个分片内的数据创建方式，用复用可变对象的方式来减小对象分配和GC的开销，但这牺牲了代码的可读性，而且要求开发者对Spark运行时机制有一定的了解，门槛较高。另一方面，Spark SQL在框架内部已经在各种可能的情况下尽量重用对象，这样做虽然在内部会打破了不变性，但在将数据返回给用户时，还会重新转为不可变数据。利用 DataFrame API进行开发，可以免费地享受到这些优化效果。

减少数据读取

分析大数据，最快的方法就是 ——忽略它。这里的“忽略”并不是熟视无睹，而是根据查询条件进行恰当的剪枝。

上文讨论分区表时提到的分区剪 枝便是其中一种——当查询的过滤条件中涉及到分区列时，我们可以根据查询条件剪掉肯定不包含目标数据的分区目录，从而减少IO。

对于一些“智能”数据格 式，Spark SQL还可以根据数据文件中附带的统计信息来进行剪枝。简单来说，在这类数据格式中，数据是分段保存的，每段数据都带有最大值、最小值、null值数量等 一些基本的统计信息。当统计信息表名某一数据段肯定不包括符合查询条件的目标数据时，该数据段就可以直接跳过(例如某整数列a某段的最大值为100，而查询条件要求a > 200)。

此外，Spark SQL也可以充分利用RCFile、ORC、Parquet等列式存储格式的优势，仅扫描查询真正涉及的列，忽略其余列的数据。

执行优化

人口数据分析示例

为了说明查询优化，我们来看上图展示的人口数据分析的示例。图中构造了两个DataFrame，将它们join之后又做了一次filter操作。如果原封不动地执行这个执行计划，最终的执行效率是不高的。因为join是一个代价较大的操作，也可能会产生一个较大的数据集。如果我们能将filter 下推到 join下方，先对DataFrame进行过滤，再join过滤后的较小的结果集，便可以有效缩短执行时间。而Spark SQL的查询优化器正是这样做的。简而言之，逻辑查询计划优化就是一个利用基于关系代数的等价变换，将高成本的操作替换为低成本操作的过程。

得到的优化执行计划在转换成物 理执行计划的过程中，还可以根据具体的数据源的特性将过滤条件下推至数据源内。最右侧的物理执行计划中Filter之所以消失不见，就是因为溶入了用于执行最终的读取操作的表扫描节点内。

对于普通开发者而言，查询优化 器的意义在于，即便是经验并不丰富的程序员写出的次优的查询，也可以被尽量转换为高效的形式予以执行。

RDD和DataSet

DataSet以Catalyst逻辑执行计划表示，并且数据以编码的二进制形式被存储，不需要反序列化就可以执行sorting、shuffle等操作。

DataSet创立需要一个显式的Encoder，把对象序列化为二进制，可以把对象的scheme映射为SparkSQl类型，然而RDD依赖于运行时反射机制。

通过上面两点，DataSet的性能比RDD的要好很多。

DataFrame和DataSet

DataSet跟DataFrame还是有挺大区别的，DataFrame开发都是写sql，但是DataSet是使用类似RDD的API。主要区别是Dataset每一个record存储的是一个强类型值而不是一个Row。

(1)相同点：

都是分布式数据集

DataFrame底层是RDD，但是DataSet不是，不过他们最后都是转换成RDD运行

DataSet和DataFrame的相同点都是有数据特征、数据类型的分布式数据集(schema)

(2)不同点：

(a)schema信息：

RDD中的数据是没有数据类型的

DataFrame中的数据是弱数据类型，不会做数据类型检查

虽然有schema规定了数据类型，但是编译时是不会报错的，运行时才会报错

DataSet中的数据类型是强数据类型

(b)序列化机制：

RDD和DataFrame默认的序列化机制是java的序列化，可以修改为Kyro的机制

DataSet使用自定义的数据编码器进行序列化和反序列化

创建方式：

(1)要使用toDS之前

import sqlContext.implicits._

(2)将内存中的数据转换成DataSet

// Encoders for most common types are automatically provided by importing

sqlContext.implicits._

val ds = Seq(1, 2, 3).toDS()
ds.map(_ + 1).collect() // Returns: Array(2, 3, 4)

其中：

collect()：返回一个Array，包含所有行信息

Returns an array that contains all rows in this Dataset.

(3)可以直接把case class对象转化成DataSet

// Encoders are also created for case classes.

case class Person(name: String, age: Long)
val ds = Seq(Person("Andy", 32)).toDS()

(4)将DataFrame转换成DataSet，不过要求是DataFrame的数据类型必须是case class

并且要求DataFrame的数据类型必须和case class一致(顺序也必须一致)

package _0729DF

import org.apache.spark
import org.apache.spark.sql.{Dataset, SparkSession}

//import org.apache.spark


object Dataset extends App{
// import spark.implicits._
// val ds = Seq(1, 2, 3).toDS()
// ds.map(_ + 1).collect() // Returns: Array(2, 3, 4)
// // Encoders are also created for case classes.
// case class Person(name: String, age: Long)
// val ds = Seq(Person("Andy", 32)).toDS()
// ds.show

val session = SparkSession.builder()
.appName("app")
.master("local")
.getOrCreate()
val sqlContext = session.sqlContext
val wcDs = sqlContext.read.textFile("datas/halibote.txt")
// 导入隐式转换

import session.implicits._
val wordData=wcDs.flatMap(_.split(" "))
wordData.createTempView("t_word")
wordData.show()
    
//wordData.printSchema()
// Encoders for most common types are automatically provided by importing sqlContext.implicits._

val ds=Seq(1,2,3).toDS()
ds.map(_ + 1).collect() // Returns: Array(2, 3, 4)

// // Encoders are also created for case classes.
// case class Person(name: String, age: Long)
// val ds = Seq(Person("Andy", 32)).toDS()
// DataFrames can be converted to a Dataset by providing a class. Mapping will be done by name.

case class Person(age:Long,name:String)
val path = "datas/people.json"
val people: Dataset[Person] = sqlContext.read.json(path).as[Person]
people.show()

}

用wordcount举例：

// DataFrame
// Load a text file and interpret each line as a java.lang.String
val ds = sqlContext.read.text("/home/spark/1.6/lines").as[String]
val result = ds
  .flatMap(_.split(" "))              // Split on whitespace
  .filter(_ != "")                    // Filter empty words
  .toDF()                              // Convert to DataFrame to perform aggregation / sorting
  .groupBy($"value")                  // Count number of occurences of each word
  .agg(count("*") as "numOccurances")
  .orderBy($"numOccurances" desc)      // Show most common words first

后面版本DataFrame会继承DataSet，DataFrame是面向Spark SQL的接口。

// DataSet,完全使用scala编程，不要切换到DataFrame
val wordCount = 
ds.flatMap(.split(" "))
  .filter( != "")
  .groupBy(_.toLowerCase())  // Instead of grouping on a column expression (i.e. $"value") we pass a lambda function
  .count()

DataFrame和DataSet可以相互转化， df.as[ElementType] 这样可以把DataFrame转化为DataSet， ds.toDF() 这样可以把DataSet转化为DataFrame。