翻译：Apache Spark : RDD vs DataFrame vs Dataset

 在Spark 2.0 Release中，官方提供了3种数据抽象结构供使用：RDD,DataFrame and DataSet。

    对于新手来说，可能会对理解三种结构间的关系和决定使用不使用哪一种感到迷惑。本文会详细介绍区别。

简要综述

    在分开讨论前，来一个简述，三种结构产生顺序如下：

RDD (Spark1.0) —> Dataframe(Spark1.3) —> Dataset(Spark1.6)

    RDD是最老的从1.0版本就可用的，Dataset是最新的从1.6版本可用的。给定同样数据，三种抽象结构都会计算并得出相同的结果给用户。但是他们在性能上和计算方式上有所不同。

    RDD让我们决定如何做，这限制了Spark在底层处理时的优化，而在处理底层时，dataframe/dataset让我们决定做什么，而把如何计算全部交给了Spark。

    让我们花两分钟理解如何做和做什么的区别。

    相比RDD，Dataframe带来了一个主要的性能提升，同时也带来了一些缺点，这导致Dataset的发展，它是RDD和Dataframe最好的统一。未来，Dataset最终会替代RDD和Dataframe成为Spark用户在编写代码时唯一要考虑的API。让我们逐个来理解。

RDD:

• Spark编译block。不管我们使用Dataframe还是Dataset，内部最终会使用RDD计算。

• RDD是延迟评估（加载）的可以暴露给lambda函数的不可变并行对象的集合。

• RDD最好的部分是它是简单的。它提供了类似面向对象风格的API。我们可以从数据源加载任何数据，将其转化为RDD并且存进内存中计算结果。RDD可以被轻易缓存如果相同数据集需要被重复计算。

• 但是RDD的缺点是性能瓶颈。作为缓存至jvm内存的对象，RDD包含GC和Java序列化，这在数据量巨大时会带来昂贵开销。

Dataframe:

• Dataframe是一个抽象结构，它提供了数据的schema视图。这意味着它给我们提供了像带有列和类型信息的数据视图，我们可以认为在Dataframe中的数据就像是数据库中的表一样。

• 与RDD类似，Dataframe的执行也是延迟触发的。

• 比RDD提供了巨大的性能提升，因为有以下两个强有力的特性：

• • 1. 自定义内存管理 (又名 Project Tungsten)

  数据会用二进制格式存储在非堆内存。这节省了大量内存。并且在这里没有垃圾回收。由于已经提前知晓数据的schema并且用二进制存储也很高效，昂贵的Java序列化开销也可以避免。

  • 2.优化的执行计划（又名 Catalyst Optimizer）

  查询计划是在用Spark Catalyst Optimizer执行时候生成的。优化过的执行计划最终的执行只会在RDD内部，而且对用户完全隐藏。 

  • 在上面的查询中，filter是在join上层调用的，这是个有代价的shuffle操作。逻辑上的执行计划可以看到，而在优化的执行计划中，执行计划是被下推到join之前做的，它可以平衡datasource的负载能力，并且将过滤器下推至datasource就可以将过滤器应用在磁盘层面而不是在内存中做过滤操作（这在直接使用RDD时是不可能的）。所以filter方法可以高效执行就像数据库查询的WHERE子句一样。并且，在优化的数据源如parquet，如果Spark发现你只需要读少量列就可以计算出结果的话，它只会去读和获取parquet的这些列，同时节省了磁盘IO和内存。

  • Dataframe缺点：缺乏类型安全。作为开发者，不会使用Dataframe因为它看起来对开发者不是那么友好。通过string的name去引用attribute意味着编译时不安全。在运行可能会失败。另外其API看起来结构不好。

  • Dataframe实例： 2种方式定义: 1. Expression BuilderStyle 2. SQL Style如上所述，如果我们尝试使用一些schema中没有出现的列，我们会在运行时候出错。例如，我们尝试访问salary，而schema中只有name和age。

Dataset:

• 它是Dataframe的扩展，是尝试去提供RDD和Dataframe二者结合最好的抽象结构。

• 面向对象的风格，开发者友好，像RDD一样编译时安全，并且性能又像Dataframe一样有Catalyst optimizer 和 custom memory management。

• Dataset是如何超过Dataframe的？一个新特性：Encoders。

• Encoders是一个在JVM对象和非堆自定义内存二进制数据之间的接口。

• Encoders生成二进制代码来跟非堆数据交互，并且提供有需访问给独立的参数而不是对整个对象反序列化。

• case class用于定义Dataset中的数据schema结构，使用case class，可以很轻易用Dataset。case class中不同参数的名字是跟Dataset中的filed有映射关系的。它给人一种使用RDD但是底层使用的是Dataframe的感觉。

• Dataframe实际上是被当作通用row对象的dataset来看待的。DataFrame=Dataset[Row] 。所以我们可以在任何时候把Dataframe转化成Dataset通过调用“as”方法。如：

  df.as[MyClass]

    重点记得无论是Dataset还是Dataframe，内部执行都是用RDD的，但不同的是，用户不用写代码来创建RDD集合也不用控制这些RDD。RDD会在执行计划的最后一步，在优化以后生成。这是文章开头说的，RDD让我们决定如何做，dataframe/dataset让我们决定做什么。

    所有这些优化都是可行的因为数据是结构化的并且Spark事先知道数据的schema。所以它可以使用所有很棒的特性如tungsten非堆二进制内存自定义管理，catalyst优化器和encoders来获取性能提升，在在只使用RDD的情况下是不可能实现的。

结论:

    简而言之，Spark将非结构化计算移至结构化计算因为这样可以允许多种性能优化。Dataframe是结构化计算的第一步，但是缺乏友好。最终Dataset统一了Dataframe和RDD，带来了最好的抽象结构。走在前面的开发者只需要考虑Dataset因为Dataframe和RDD不推荐使用。