sparkSQL sparkSQL之DataFrame和DataSet

DataFrame

DataFrame发展

• DataFrame前身是schemaRDD，schemaRDD直接继承RDD，是RDD的一个实现类
• 在spark1.3.0之后把schemaRDD改名为DataFrame,它不在继承自RDD，而是自己实现RDD上的一些功能（如 map filter flatmap等等）
• 可以把dataFrame转换成一个rdd，调用如下的rdd方法

 val rdd1=dataFrame.rdd

DataFrame是什么

可以简单的把DataFrame理解成RDD+schema元信息

DataFrame有如下特征：

• 在spark中，DataFrame是一种以RDD为基础的分布式数据集，类似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（如下图的 name age height）和类型（如下图的 string int double），但底层做了更多优化
• DataFrame可以从很多数据源构建对象
  • 如，已经存在的RDD、结构化文件、外部数据库、Hive表。
• RDD可以把它的内部元素看成是一个java对象
• DataFrame内部是一个个Row对象，它表示一行一行的数据

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的优点

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。

DataFrame和RDD的优缺点

DataFrame和RDD的优缺点对比主要是由DataFrame引入了schema元信息和off-heap带来的

---

RDD

• RDD优点
  • 编译时类型安全：编译时会对类型进行检查，及时发现错误
  • 具有面对对象编程的风格
• RDD缺点
  • 构建大量java对象占用了大量heap堆空间，导致频繁的GC(RDD[java对象])

    由于数据集RDD它的数据量比较大，后期都需要存储在heap堆中，这里有heap堆中的内存空间有限，
    出现频繁的垃圾回收（GC），程序在进行垃圾回收的过程中，所有的任务都是暂停。影响程序执行的效率
    

• 数据的序列和反序列化性能开销很大

  	在分布式程序中，对象(对象的内容和结构)是先进行序列化，发送到其他服务器，进行大量的网络传输，
  	然后接受到这些序列化的数据之后，再进行反序列化来恢复该对象
  

---

DataFrame

DataFrame引入了schema元信息和off-heap，同时为其带来了相应的优点和缺点。

• DataFrame优点

  • DataFrame引入off-heap的好处：
    • 大量的对象构建直接使用操作系统层面上的内存，不在使用heap堆中的内存，这样一来heap堆中的内存空间就比较充足，不会导致频繁GC，程序的运行效率比较高，它是解决了RDD构建大量的java对象占用了大量heap堆空间，导致频繁的GC这个缺点
  • DataFrame引入了schema元信息（就是数据结构的描述信息）的好处：
    • 后期spark程序中的大量对象在进行网络传输的时候，只需要把数据的内容本身进行序列化就可以，数据结构信息可以省略掉。这样一来数据网络传输的数据量是有所减少，数据的序列化和反序列性能开销就不是很大了。它是解决了RDD数据的序列化和反序列性能开销很大这个缺点

• DataFrame缺点

  • 编译时类型不安全，只有运行时才会报错

    //只有在运行时才报错
    case class Person(name : String , age : Int) 
    val dataframe = sqlContect.read.json("people.json