RDD、DataFrame和DataSet的區別

RDD、DataFrame和DataSet的區別 - 簡書
http://www.jianshu.com/p/c0181667daa0

RDD、DataFrame和DataSet是容易產生混淆的概念，必須對其相互之間對比，才可以知道其中異同。

RDD和DataFrame

RDD-DataFrame

上圖直觀地體現了DataFrame和RDD的區別。左側的RDD[Person]雖然以Person為型別引數，但Spark框架本身不瞭解Person類的內部結構。而右側的DataFrame卻提供了詳細的結構資訊，使得Spark SQL可以清楚地知道該資料集中包含哪些列，每列的名稱和型別各是什麼。DataFrame多了資料的結構資訊，即schema。RDD是分散式的Java物件的集合。DataFrame是分散式的Row物件的集合。DataFrame除了提供了比RDD更豐富的運算元以外，更重要的特點是提升執行效率、減少資料讀取以及執行計劃的優化，比如filter下推、裁剪等。
提升執行效率
RDD API是函式式的，強調不變性，在大部分場景下傾向於建立新物件而不是修改老物件。這一特點雖然帶來了乾淨整潔的API，卻也使得Spark應用程式在執行期傾向於建立大量臨時物件，對GC造成壓力。在現有RDD API的基礎之上，我們固然可以利用mapPartitions方法來過載RDD單個分片內的資料建立方式，用複用可變物件的方式來減小物件分配和GC的開銷，但這犧牲了程式碼的可讀性，而且要求開發者對Spark執行時機制有一定的瞭解，門檻較高。另一方面，Spark SQL在框架內部已經在各種可能的情況下儘量重用物件，這樣做雖然在內部會打破了不變性，但在將資料返回給使用者時，還會重新轉為不可變資料。利用 DataFrame API進行開發，可以免費地享受到這些優化效果。
減少資料讀取
分析大資料，最快的方法就是 ——忽略它。這裡的“忽略”並不是熟視無睹，而是根據查詢條件進行恰當的剪枝。
上文討論分割槽表時提到的分割槽剪 枝便是其中一種——當查詢的過濾條件中涉及到分割槽列時，我們可以根據查詢條件剪掉肯定不包含目標資料的分割槽目錄，從而減少IO。
對於一些“智慧”資料格 式，Spark SQL還可以根據資料檔案中附帶的統計資訊來進行剪枝。簡單來說，在這類資料格式中，資料是分段儲存的，每段資料都帶有最大值、最小值、null值數量等 一些基本的統計資訊。當統計資訊表名某一資料段肯定不包括符合查詢條件的目標資料時，該資料段就可以直接跳過（例如某整數列a某段的最大值為100，而查詢條件要求a > 200）。
此外，Spark SQL也可以充分利用RCFile、ORC、Parquet等列式儲存格式的優勢，僅掃描查詢真正涉及的列，忽略其餘列的資料。
執行優化

人口資料分析示例

為了說明查詢優化，我們來看上圖展示的人口資料分析的示例。圖中構造了兩個DataFrame，將它們join之後又做了一次filter操作。如果原封不動地執行這個執行計劃，最終的執行效率是不高的。因為join是一個代價較大的操作，也可能會產生一個較大的資料集。如果我們能將filter下推到 join下方，先對DataFrame進行過濾，再join過濾後的較小的結果集，便可以有效縮短執行時間。而Spark SQL的查詢優化器正是這樣做的。簡而言之，邏輯查詢計劃優化就是一個利用基於關係代數的等價變換，將高成本的操作替換為低成本操作的過程。
得到的優化執行計劃在轉換成物 理執行計劃的過程中，還可以根據具體的資料來源的特性將過濾條件下推至資料來源內。最右側的物理執行計劃中Filter之所以消失不見，就是因為溶入了用於執行最終的讀取操作的表掃描節點內。
對於普通開發者而言，查詢優化 器的意義在於，即便是經驗並不豐富的程式設計師寫出的次優的查詢，也可以被儘量轉換為高效的形式予以執行。
RDD和DataSet
DataSet以Catalyst邏輯執行計劃表示，並且資料以編碼的二進位制形式被儲存，不需要反序列化就可以執行sorting、shuffle等操作。

DataSet創立需要一個顯式的Encoder，把物件序列化為二進位制，可以把物件的scheme對映為SparkSQl型別，然而RDD依賴於執行時反射機制。

通過上面兩點，DataSet的效能比RDD的要好很多，可以參見[3]
DataFrame和DataSet
Dataset可以認為是DataFrame的一個特例，主要區別是Dataset每一個record儲存的是一個強型別值而不是一個Row。因此具有如下三個特點：
DataSet可以在編譯時檢查型別

並且是物件導向的程式設計介面。用wordcount舉例：

//DataFrame// Load a text file and interpret each line as a java.lang.Stringval 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

//DataSet,完全使用scala程式設計，不要切換到DataFrameval wordCount = ds.flatMap(.split(" ")) .filter( != "") .groupBy(_.toLowerCase()) // Instead of grouping on a column expression (i.e. $"value") we pass a lambda function .count()

後面版本DataFrame會繼承DataSet，DataFrame是面向Spark SQL的介面。

DataFrame和DataSet可以相互轉化，df.as[ElementType]
這樣可以把DataFrame轉化為DataSet，ds.toDF()
這樣可以把DataSet轉化為DataFrame。
參考
[1] Spark SQL結構化分析
[2] 解讀2015之Spark篇：新生態系統的形成
[3] Introducing Spark Datasets
[4] databricks example