区别RDD、DataFrame和DataSet

Spark1.3.0中，以Spark SQL原有的SchemaRDD为蓝本，引入Spark DataFrame API，不仅为Scala，Python，Java三种语言环境提供了形如R和Pandas的API，而且自然而然地继承了Spark SQL的分布式数据处理能力。

对于RDD、DataFrame和DataSet之间的区别目前了解的还不是很清楚，所以在下文中进行相互之间的对比，区分其中的异同。

RDD和DataFrame






上图直观地体现了DataFrame和RDD的区别。左边的RDD[Person]虽然以Person为类型参数，但是Spark框架本身不了解Person类的内部结构。而右边的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(算子是一个函数空间到函数空间上的映射O：X→X)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(拦截回收，Garbage Collection)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”是指根据查询条件进行恰当的剪枝。

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



为了说明查询优化，我们来看上面的人口数据分析实例。左侧构造两个DataFrame，将它们join之后又做了一次filter惭怍。如果原封不动地执行这个计划，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下推至join的下方，先对DataFrame进行过滤，再去join已经过滤的数据，可以有效地缩短执行时间。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就消失不见了，这是因为将其溶入了用于执行最终的读取操作的表扫描节点内。

对于普通的开发者而言，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，也可以尽量被转换成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，把对象序列化成二进制，可以把对象的schema映射为Spark SQL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要好很多。具体可以查看Introducing Spark DataSet。
DataFrame和DataSet
DataSet可以认为是DataFrame的特例，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。因此具有以下三个特点：

DataSet可以在编译时检查类型
并且是面向对象的编程接口。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

//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()

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