Spark SQL、DateFrame、DataSet详细概述

最新推荐文章于 2024-07-31 15:54:40 发布

码中小白鼠

最新推荐文章于 2024-07-31 15:54:40 发布

阅读量945

点赞数 1

分类专栏：实时计算文章标签： Spark SQL DataFrame DataSet

本文链接：https://blog.csdn.net/Dawn_Zi/article/details/96349804

版权

实时计算专栏收录该内容

4 篇文章 0 订阅

订阅专栏

文章目录

Spark SQL的前世今生

Shark是一个为Spark设计的大规模数据仓库系统，它与Hive兼容。Shark建立在Hive的代码基础上，并通过将Hive的部分物理执行计划交换出来。这个方法使得Shark的用哦过户可以加速Hive的查询，但是Shark继承了Hive的大且负责的代码使得Shark很难优化和维护，同时Shark依赖Spark的版本。随着我们遇到了性能优化的上限，以及集成SQL的一些负责的分析功能，我们发现Hive的MapReduce涉及的框架限制了Shark的发展。在2014年7月1日的Spark Summit上，Databricks宣布终止对Shark的开发，将重点放到Spark SQL上。

Hive和Shark的架构图

什么是Spark SQL

       Spark SQL是Spark用来处理结构化数据的一个模块，它提供了一个编程抽象叫做DataFrame并且作为分布式SQL查询引擎的作用。
       相对比于Spark RDD API,Spark SQL包含了对结构化数据和在其上运算的更多信息，Spark SQL 使用这些信息进行了额外的优化，使对结构化数据的操作更加高效和方便。
       有多种方式去使用Spark SQL,包括SQL、DateFrames API和Datasets API。但无论是哪种API或者是编程语言，它们都是基于同样的执行引擎，因此你可以在不同的API之间随意切换，它们各有各的特点，看你喜欢哪种风格。

为什么要学习Spark SQL

学习过Hive的朋友，都知道它是将Hive SQL转换成MapReduce然后提交到集群中去执行，大大简化了编写MapReduce程序的复杂性，由于MapReduce这种计算模型执行效率比较慢，所以Spark SQL应用而生，它将是Spark SQL转换成RDD，然后提交到集群中去运行，执行效率非常快！

Spark SQL的优点

易整合：将sql查询与spark程序无缝混合，可以使用java、scala、python、R等语言的API操作
统一的数据访问：以相同的方式连接到任何数据源
兼容Hive：支持hiveSQL的语法
标准的数据连接：可以使用行业标准的KDBC或ODBC连接

什么是DateFrame

DateFrame的前身是SchemaRDD，从Spark1.3.0开始SchemaRDD更名为DataFrame。与SchemaRDD的主要区别是：DataFrame不再直接继承自RDD，而是自己实现了RDD的绝大多数功能。你仍旧可以再DataFrame上调用rdd方法将其转换为一个RDD
在Spark中，DataFrame是一种以RDD为基础的分布式数据集，类似于传统数据库的二维表格，DataFrame带有Schema元信息，即DataFrame所表示的二维表数据集的每一列都带有名称和类型，但底层做了更多的优化。DataFrame可以从很多数据源构建，比如：已经存在的RDD、结构化文件、外部数据库、Hive表。

Data与RDD的区别

RDD可看作是分布式的对象的集合，Spark并不知道对象的详细模式信息，DataFrame可看作是分布式的Row对象的集合，其提供了由列组成的详细模式信息，使得Spark SQL可以进行某些形式的执行优化。DataFrame和普通的RDD的逻辑框架区别如下所示：

在这里插入图片描述
       上图直观的体现了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式什么。DataFrame多了数据的结构信息，即schema。这样看起来就像一张表了，DataFrame还配套了新的操作数据的方法，DataFrame API(如df.sekect) 和SQL(select id,name from xx_table where …)。
       此外DataFrame还引入了off-heap，意味着JVM堆以外的内存，这些内存直接受操作系统管理(而不是JVM)。Spark能够以二进制的形式序列化数据(不包括结构)到off-heap中，当要操作数据时，就直接操作off-heap内存，由于Spark理解schema，所以知道该如何操作。

DataFrame与RDD的优缺点

优点：
(1) 编译时类型安全
编译时就能检查出类型错误

(2)面向对象的编程风格
直接通过对象调用方法的形式来操作数据

缺点：
(1)序列化和反序列化的性能开销无论式集群间的通信，还式IO操作都需要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
频繁的创建和销毁对象，势必会增加GC

DataFrame通过引入schema和off-heap（不在堆里面的内存，指的是除了不在堆的内存，使用操作系统上的内存），解决了RDD的缺点, Spark通过schame就能够读懂数据, 因此在通信和IO时就只需要序列化和反序列化数据, 而结构的部分就可以省略了；通过off-heap引入，可以快速的操作数据，避免大量的GC。但是却丢了RDD的优点，DataFrame不是类型安全的, API也不是面向对象风格的。

什么是DataSet

DataSet是分布式的数据集合。DataSet是再Spark1.6中添加的新的接口。它集中了RDD的优点(强类型和可以用强大lambda函数)以及Spark SQL优化的执行引擎。DataSet可以通过JVM的对象进行构建，可以用函数式的转换(map/flatmap/fifter)进行多种操作。

DataFrame、DataSet、RDD的区别

假设RDD中的俩行数据如下所示：
在这里插入图片描述
那么DataFrame中的数据是这样：

DataSet中的数据是这样：

或者又是这样(每行数据是个Object)

DataSet包含了DataFrame的功能，Spark2.0中俩者统一，DataFrane表示为DataSet[Row]，即DataSet的子集