Spark SQL概述

Spark SQL官方介绍

• 官网 ：http://spark.apache.org/sql/
  
• Spark SQL是Spark用来处理结构化数据的一个模块。
• Spark SQL还提供了多种使用方式，包括DataFrames 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。

Spark SQL 的特点

1. 易整合
   可以使用java、scala、python、R等语言的API操作。

2. 统一的数据访问
   连接到任何数据源的方式相同。

3. 兼容Hive
   支持hiveHQL的语法。
   兼容hive(元数据库、SQL语法、UDF、序列化、反序列化机制)

4. 标准的数据连接
   可以使用行业标准的JDBC或ODBC连接。

SQL优缺点

• SQL的优点
  表达非常清晰, 比如说这段 SQL 明显就是为了查询三个字段，条件是查询年龄大于 10 岁的
  难度低、易学习。
• SQL的缺点
  复杂分析,SQL嵌套较多：试想一下3层嵌套的 SQL维护起来应该挺力不从心的吧
  机器学习较难：试想一下如果使用SQL来实现机器学习算法也挺为难的吧

Hive和SparkSQL

• Hive是将SQL转为MapReduce
• SparkSQL可以理解成是将SQL解析成’RDD’ + 优化再执行

1、Spark SQL数据抽象

1.1、DataFrame

• 什么是DataFrame
  DataFrame是一种以RDD为基础的带有Schema元信息的分布式数据集，类似于传统数据库的二维表格 。
  

1.2、 DataSet

• 什么是DataSet
  DataSet是保存了更多的描述信息，类型信息的分布式数据集。
  与RDD相比，保存了更多的描述信息，概念上等同于关系型数据库中的二维表。
  与DataFrame相比，保存了类型信息，是强类型的，提供了编译时类型检查，
  调用Dataset的方法先会生成逻辑计划，然后被spark的优化器进行优化，最终生成物理计划，然后提交到集群中运行！
  
  DataSet包含了DataFrame的功能，
  Spark2.0中两者统一，DataFrame表示为DataSet[Row]，即DataSet的子集。
  DataFrame其实就是Dateset[Row]
  

1.3、RDD、DataFrame、DataSet的区别

结构图解

• RDD[Person]
  以Person为类型参数，但不了解 其内部结构。
• DataFrame
  提供了详细的结构信息schema列的名称和类型。这样看起来就像一张表了
• DataSet[Person]
  不光有schema信息，还有类型信息