Spark SQL概述
我们知道Hive SQL,它是将 SQL 转译成 MapReduce 然后提交到集群上执行,但是MapReduce计算模型执行效率比较慢,所以Spark SQL的应运而生,
Spark SQL可以简单理解成就是将 SQL 转译成:“RDD + 优化方案” 再执行,而所谓的优化方案就是 Spark 帮我们把RDD 算子进行了封装和优化,并形成了2套编程抽象API,即DataFrame和DataSet
,从而大大提高了计算效率
DataFrame
-
DataFrame是一种以RDD为基础的分布式数据集,
类似于传统数据库中的二维表格
-
DataFrame与RDD的主要区别在于,
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,
这使得Spark SQL得以洞察更多的结构信息,从而对藏于DataFrame背后的数据源以及作用于DataFrame之上的变换进行了针对性的优化,最终达到大幅提升运行时的效率,而反观RDD,由于无从得知所存数据元素的具体内部结构,Spark Core只能在stage层面进行简单、通用的流水线优化
。同时,与Hive类似,DataFrame也支持嵌套数据类型(struct、array和map)
,从 API 易用性的角度上看,DataFrame API提供的是一套高层的关系操作,比函数式的RDD API 要更加友好,门槛更低
DataSet
(1) DataSet是DataFrame的一个扩展。
它提供了RDD的优点(即强类型,使用强大的lambda函数的能力)以及Spark SQL优化后的执行引擎的优点。Dataset 可以从JVM中构造对象,然后使用算子(例如map, flatMap,filter等)去操作转换
(2)DataSet是强类型的。比如可以有DataSet[Car],DataSet[Person]
(3)DataFrame是DataSet的特例,DataFrame=DataSet[Row] ,所以DataFrame可以通过as方法转换为DataSet。Row是一个类型,跟Car、Person这些的类型一样,所有的表结构信息都用Row来表示
(4) 用样例类来定义DataSet中数据的结构信息,样例类中每个属性的名称直接映射到DataSet中的字段名称
总结:
简单来说RDD中存放数据,DataFrame中既存放数据也存放数据类型,DataSet将DataFrame抽象成了类