转载自：https://www.cnblogs.com/mr-bigdata/p/14426049.html
RDD、DataFrame、DataSet介绍
我们每天都在基于框架开发，对于我们来说，一套易于使用的API太重要了。对于Spark来说，有三套API。
分别是：
RDD
DataFrame
DataSet
三套的API，开发人员就要学三套。不过，从Spark 2.2开始，DataFrame和DataSet的API已经统一了。而编写Spark程序的时候，RDD已经慢慢退出我们的视野了。
但Spark既然提供三套API，我们到底什么时候用RDD、什么时候用DataFrame、或者DataSet呢？我们先来了解下这几套API。
RDD
RDD的概念
RDD是Spark 1.1版本开始引入的。
RDD是Spark的基本数据结构。
RDD是Spark的弹性分布式数据集，它是不可变的（Immutable）。
RDD所描述的数据分布在集群的各个节点中，基于RDD提供了很多的转换的并行处理操作。
RDD具备容错性，在任何节点上出现了故障，RDD是能够进行容错恢复的。
RDD专注的是How！就是如何处理数据，都由我们自己来去各种算子来实现。
什么时候使用RDD？
应该避免使用RDD！
RDD的短板
集群间通信都需要将JVM中的对象进行序列化和反序列化，RDD开销较大
频繁创建和销毁对象会增加GC，GC的性能开销较大
Spark 2.0开始，RDD不再是一等公民
从Apache Spark 2.0开始，RDD已经被降级为二等公民，RDD已经被弃用了。而且，我们一会就会发现，DataFrame/DataSet是可以和RDD相互转换的，DataFrame和DataSet也是建立在RDD上。
DataFrame
DataFrame概念
DataFrame是从Spark 1.3版本开始引入的。
通过DataFrame可以简化Spark程序的开发，让Spark处理结构化数据变得更简单。DataFrame可以使用SQL的方式来处理数据。例如：业务分析人员可以基于编写Spark SQL来进行数据开发，而不仅仅是Spark开发人员。
DataFrame和RDD有一些共同点，也是不可变的分布式数据集。但与RDD不一样的是，DataFrame是有schema的，有点类似于关系型数据库中的表，每一行的数据都是一样的，因为。有了schema，这也表明了DataFrame是比RDD提供更高层次的抽象。
DataFrame支持各种数据格式的读取和写入，例如：CSV、JSON、AVRO、HDFS、Hive表。
DataFrame使用Catalyst进行优化。
DataFrame专注的是What！，而不是How！
DataFrame的优点
因为DataFrame是有统一的schema的，所以序列化和反序列无需存储schema。这样节省了一定的空间。
DataFrame存储在off-heap（堆外内存）中，由操作系统直接管理（RDD是JVM管理），可以将数据直接序列化为二进制存入off-heap中。操作数据也是直接操作off-heap。
DataFrane的短板
DataFrame不是类型安全的
API也不是面向对象的
Apache Spark 2.0 统一API
从Spark 2.0开始，DataFrame和DataSet的API合并在一起，实现了跨库统一成为一套API。这样，开发人员的学习成本就降低了。只需要学习一个High Level的、类型安全的DataSet API就可以了。——这对于Spark开发人员来说，是一件好事。
上图我们可以看到，从Spark 2.0开始，Dataset提供了两组不同特性的API：
非类型安全
类型安全
其中非类型安全就是DataSet[Row]，我们可以对Row中的字段取别名。这不就是DataFrame吗？而类型安全就是JVM对象的集合，类型就是scala的样例类，或者是Java的实体类。
有Spark 2.0源码为证：
packageobjectsql{// ...typeDataFrame=Dataset[Row]}
https://github.com/IloveZiHan/spark/blob/branch-2.0/sql/core/src/main/scala/org/apache/spark/sql/package.scala
也就是说，每当我们用导DataFrame其实就是在使用Dataset。
针对Python或者R，不提供类型安全的DataSet，只能基于DataFrame API开发。
什么时候使用DataFrame
DataSet
DataSet是从Spark 1.6版本开始引入的。
DataSet具有RDD和DataFrame的优点，既提供了更有效率的处理、以及类型安全的API。
DataSet API都是基于Lambda函数、以及JVM对象来进行开发，所以在编译期间就可以快速检测到错误，节省开发时间和成本。
DataSet使用起来很像，但它的执行效率、空间资源效率都要比RDD高很多。可以很方便地使用DataSet处理结构化、和非结构数据。
DataSet API的优点
DataSet结合了RDD和DataFrame的优点。
当序列化数据时，Encoder生成的字节码可以直接与堆交互，实现对数据按需访问，而无需反序列化整个对象。
类型安全
写过Java或者C#的同学都会知道，一旦在代码中类型使用不当，编译都编译不过去。日常开发中，我们更多地是使用泛型。因为一旦我们使用非类型安全的类型，软件的维护周期一长，如果集合中放入了一些不合适的类型，就会出现严重的故障。这也是为什么Java、C#还有C++都要去支持泛型的原因。
在Spark中也会有类型安全的问题。而且，一旦在运行时出现类型安全问题，会影响整个大规模计算作业。这种作业的错误排除难度，要比单机故障排查起来更复杂。如果在运行时期间就能发现问题，这很美好啊。
DataFrame中编写SQL进行数据处理分析，在编译时是不做检查的，只有在Spark程序运行起来，才会检测到问题。
SQLDataFrameDataset
语法错误运行时编译时编译时
解析错误运行时运行时编译时
对结构化和半结构化数据的High Level抽象
例如：我们有一个较大的网站流量日志JSON数据集，可以很容易的使用DataSet[WebLog]来处理，强类型操作可以让处理起来更加简单。
以RDD更易用的API
DataSet引入了更丰富的、更容易使用的API操作。这些操作是基于High Level抽象的，而且基于实体类的操作，例如：进行groupBy、agg、select、sum、avg、filter等操作会容易很多。
性能优化
使用DataFrame和DataSet API在性能和空间使用率上都有大幅地提升。
DataFrame和DataSet API是基于Spark SQL引擎之上构建的，会使用Catalyst生成优化后的逻辑和物理执行计划。尤其是无类型的DataSet[Row]（DataFrame），它的速度更快，很适合交互式查询。
由于Spark能够理解DataSet中的JVM对象类型，所以Spark会将将JVM对象映射为Tungsten的内部内存方式存储。而Tungsten编码器可以让JVM对象更有效地进行序列化和反序列化，生成更紧凑、更有效率的字节码。
通过上图可以看到，DataSet的空间存储效率是RDD的4倍。RDD要使用60GB的空间，而DataSet只需要使用不到15GB就可以了。
Youtube视频分析案例
数据集
去Kaggle下载youtube地址：
https://www.kaggle.com/datasnaek/youtube-new?select=USvideos.csv
每个字段的含义都有说明。
Maven开发环境准备
882.123.0.1centralhttp://maven.aliyun.com/nexus/content/groups/public/centralhttp://maven.aliyun.com/nexus/content/groups/public/org.apache.sparkspark-core_${scala.version}${spark.version}org.apache.sparkspark-sql_${scala.version}${spark.version}com.opencsvopencsv5.3src/main/scala
RDD开发
/**
* Spark RDD处理示例
*/objectRddAnalysis{defmain(args:Array[String]):Unit= {valconf =newSparkConf().setAppName("RDD Process").setMaster("local[*]")valsc =newSparkContext(conf)// 读取本地文件创建RDDvalyoutubeVideosRDD = { sc.textFile("""E:\05.git_project\dataset\youtube""") }// 统计不同分类Youtube视频的喜欢人数、不喜欢人数// 1. 添加行号// 创建计数器valrownumAcc = sc.longAccumulator("rownum")// 带上行号youtubeVideosRDD.map(line => { rownumAcc.add(1) rownumAcc.value -> line })// 过滤掉第一行.filter(_._1 !=1)// 去除行号.map(_._2)// 过滤掉非法的数据.filter(line => {valfields = line.split("\001")valtry1 = scala.util.Try(fields(8).toLong)valtry2 = scala.util.Try(fields(9).toLong)if(try1.isFailure || try2.isFailure)falseelsetrue})// 读取三个字段（视频分类、喜欢的人数、不喜欢的人数.map(line => {// 按照\001解析CSVvalfields = line.split("\001")// 取第4个（分类）、第8个（喜欢人数）、第9个（不喜欢人数）// (分类id, 喜欢人数, 不喜欢人数)(fields(4), fields(8).toLong, fields(9).toLong) })// 按照分类id分组.groupBy(_._1) .map(t => {valresult = t._2.reduce((r1, r2) => { (r1._1, r1._2 + r2._2, r1._3 + r2._3) }) result }) .foreach(println) }}
运行结果如下：
("BBC Three",8980120,149525)
("Ryan Canty",11715543,80544)
("Al Jazeera English",34427,411)
("FBE",9003314,191819)
("Sugar Pine 7",1399232,81062)
("Rob Scallon",11652652,704748)
("CamilaCabelloVEVO",19077166,1271494)
("Grist",3133,37)
代码中做了一些数据的过滤，然后进行了分组排序。如果Spark都要这么来写的话，业务人员几乎是没法写了。着代码完全解释了How，而不是What。每一个处理的细节，都要我们自己亲力亲为。实现起来臃肿。
查看下基于RDD的DAG
打开浏览器，输入：localhost:4040，来看下DAG。
DAG非常的直观，按照shuffle分成了两个Stage来执行。Stage中依次执行了每个Operator。程序没有经过任何优化。我把每一个操作都和DAG上的节点对应了起来。
DataFrame开发
objectDataFrameAnalysis{defmain(args:Array[String]):Unit= {valspark =SparkSession.builder() .appName("Youtube Analysis") .master("local[*]") .config("spark.sql.shuffle.partitions",1) .getOrCreate()importspark.sqlContext.implicits._// 读取CSVvalyoutubeVideoDF = spark.read.option("header",true).csv("""E:\05.git_project\dataset\USvideos.csv""")importorg.apache.spark.sql.functions._// 按照category_id分组聚合youtubeVideoDF.select($"category_id", $"likes".cast(LongType), $"dislikes".cast(LongType)) .where($"likes".isNotNull) .where( $"dislikes".isNotNull) .groupBy($"category_id") .agg(sum("likes"), sum("dislikes")) .show() }}
大家可以看到，现在实现方式非常的简单，而且清晰。
查看下基于DataFrame的执行计划与DAG
但我们运行上面的Spark程序时，其实运行了两个JOB。
下面这个是第一个Job的DAG。我们看到只有一个Stage。这个DAG我们看得不是特别清楚做了什么，因为Spark SQL是做过优化的，我们需要查看Query的详细信息，才能看到具体执行的工作。
第一个Job的详细执行信息如下：
哦，原来这个JOB扫描了所有的行，然后执行了一个Filter过滤操作。再查看下查询计划：
== Parsed Logical Plan ==
GlobalLimit 1
+- LocalLimit 1
+- Filter (length(trim(value#6, None)) > 0)
+- Project [value#0 AS value#6]
+- Project [value#0]
+- Relation[value#0] text
== Analyzed Logical Plan ==
value: string
GlobalLimit 1
+- LocalLimit 1
+- Filter (length(trim(value#6, None)) > 0)
+- Project [value#0 AS value#6]
+- Project [value#0]
+- Relation[value#0] text
== Optimized Logical Plan ==
GlobalLimit 1
+- LocalLimit 1
+- Filter (length(trim(value#0, None)) > 0)
+- Relation[value#0] text
== Physical Plan ==
CollectLimit 1
+- *(1) Filter (length(trim(value#0, None)) > 0)
+- FileScan text [value#0] Batched: false, DataFilters: [(length(trim(value#0, None)) > 0)], Format: Text, Location: InMemoryFileIndex[file:/E:/05.git_project/dataset/USvideos.csv], PartitionFilters: [], PushedFilters: [], ReadSchema: struct
可以非常清晰地看到，我们说看到的DAG是经过优化后的。
第二个JOB的DAG如下，同样，我们也只能看到个大概。例如：Scan csv读取csv文件，然后执行Spark SQL自动生成、优化后的Codegen阶段，再执行了一次Shuffle（Exchange），然后再执行Spark SQL的codegen，最后执行mapPartition操作。
为了一探究竟，我们依然得去查看Query Detail。这个Query Detail图稍微长一点。我们很两个部分来讲解。
第一部分：
扫描csv文件，一共读取了一个文件，大小是59.8MB，一共有41035行。鼠标移上去，可以看到读取的文件路径、读取的schema是什么。
执行过滤操作（Filter）过滤出来的结果是40949行。把鼠标放在该操作，可以看到具体过滤的内容。
执行Project投影查询。其实就是执行select语句。
然后开始执行Hash聚合。按照category_id进行分组，并执行了partial_sum。
第二部分：
Exchange表示进行数据交换（其实就是shuffle），shuffle一共读取了122行。
接着进行Hash聚合，按照category分组，并进行sum求和，计算得到最终结果。
最后输出21行，多出来的一行显示的第头部。
虽然DataFrame我们使用的是DSL方式，但我们可以感受这个过程处理起来比较简单。根据列进行分组聚合的时候，在编译时期是对类型不敏感的、非安全的。我们要保证列名、类型都是正确的。同时，我们可以清晰的看到Spark SQL对程序执行过程的优化。
DataSet开发
要使用DataSet开发，我们先来看一下csv读取数据成为DataFrame的spark源码。
defcsv(path:String):DataFrame= {// This method ensures that calls that explicit need single argument works, see SPARK-16009csv(Seq(path): _*)}
我们可以看到csv返回的是一个DataFrame类型。而进一步查看DataFrame的源码，我们发现：
typeDataFrame=Dataset[Row]
而Row是非类型安全的，就有点像JDBC里面的ResultSet那样。我们为了操作起来更顺手一些，定义一个实体类来开发。
上代码：
caseclassYoutubeVideo(video_id:String, trending_date:String, title:String, channel_title:String, category_id:String, publish_time:String, tags:String, views:Long, likes:Long, dislikes:Long, comment_count:String, thumbnail_link:String, comments_disabled:Boolean, ratings_disabled:Boolean, video_error_or_removed:String, description:String)caseclassCategoryResult(categoryId:String, totalLikes:Long, totalDislikes:Long)objectDataSetAnalysis{defmain(args:Array[String]):Unit= {valspark =SparkSession.builder() .appName("Youtube Analysis") .master("local[*]") .config("spark.sql.shuffle.partitions",1) .getOrCreate()importspark.sqlContext.implicits._// 读取CSVvalyoutubeVideoDF:DataFrame= spark.read.option("header",true).csv("""E:\05.git_project\dataset\USvideos.csv""")// 转换为DataSetyoutubeVideoDF.printSchema()// 转换为Dataset[YoutubeVideo]valyoutubeVideoDS = youtubeVideoDF.filter(row => {if(row.getString(7) !=null&& !row.getString(7).isBlank && row.getString(8) !=null&& !row.getString(8).isBlank && row.getString(9) !=null&& !row.getString(9).isBlank) {if(util.Try(row.getString(7).toLong).isSuccess && util.Try(row.getString(8).toLong).isSuccess && util.Try(row.getString(9).toLong).isSuccess) {true}else{false} }else{false} }) .map(row =>YoutubeVideo(row.getString(0) , row.getString(1) , row.getString(2) , row.getString(3) , row.getString(4) , row.getString(5) , row.getString(6) , row.getString(7).toLong , row.getString(8).toLong , row.getString(9).toLong , row.getString(10) , row.getString(11) , row.getString(12).toLowerCase().toBoolean , row.getString(13).toLowerCase().toBoolean , row.getString(14) , row.getString(15) )) youtubeVideoDS.groupByKey(_.category_id) .mapValues(y =>CategoryResult(y.category_id, y.likes, y.dislikes)) .reduceGroups{(cr1, cr2) => {CategoryResult(cr1.categoryId, cr1.totalLikes + cr2.totalLikes, cr1.totalDislikes + cr2.totalDislikes) }}// 只获取Value部分，key部分过滤掉.map(t => t._2) .toDF() .show()TimeUnit.HOURS.sleep(1) }}
可以看到，我们对DataFrame进行了类型的安全转换。来看一下Spark SQL执行的JOB。
同样，基于DataSet的代码，也执行了两个JOB。
第一个JOB是一样的，因为我们一样要处理CSV的header。
而第二部分，命名我们了用了很多的groupByKey、mapValues、reduceGroups、map等操作。但其底层，执行的还是与DataFrame一样高效的DAG。
很明显，这个部门是我们编写的DSL得到的DAG代码。查看详细的执行过程：
Spark依然给我们做了不少的一些优化动作。
看一下执行计划。
基于DataSet依然是有执行计划的。依然会基于Catalyst进行优化。但可以看到，这个实现明显比基于DataFrame的逻辑更加复杂，虽然做的事情差不太多。
对比RDD和DataSet的API
RDD的操作都是最底层的，Spark不会做任何的优化。是low level的API，无法执行schema的高阶声明式操作
DataSet支持很多类似于RDD的功能函数，而且支持DataFrame的所有操作。其实我们前面看到了DataFrame就是一种特殊的、能力稍微弱一点的DataSet。DataSet是一种High Level的API，在效率上比RDD有很大的提升。
对比RDD、DataFrame、DataSet
RDDDataFrameDataSet
schema无
需要自己建立shcema
有
支持自动识别schema
有schema
支持自动识别schema
聚合操作慢最快快
自动性能优化无
开发人员自己优化
有有
类型安全安全非安全安全
序列化Java序列化，存储/读取整个Java对象Tungsten，堆外内存，可以按需存储访问属性Tungsten，堆外内存，可以按需存储访问属性
内存使用率低高高
GC创建和销毁每一个对象都有GC开销无需GC，使用堆外存储无需GC，使用堆外存储
懒执行