随笔- 153 文章- 1 评论- 4 阅读- 49万

理解 RDD、DataFrame、DataSet、DStream

一、什么是RDD？

RDD叫做弹性分布式数据集，是spark中最基本的数据处理模型。代码中是一个抽象类，它代表一个弹性、不可变、可分区、里面元素可并行计算的集合。

1.弹性：

（1）存储的弹性：内存与磁盘的自动切换

（2）容错的弹性：数据丢失可以自动恢复

（3）计算的弹性：计算出错重试机制

（4）分片的弹性：可根据需要重新分片

2.分布式：存储在大数据集群不同节点上

3.数据集：RDD封装了计算逻辑，并不保存数据

4.数据抽象：RDD是一个抽象类，需要子类具体实现

5.不可变：RDD封装了计算逻辑，是不可以改变的，想要改变，只能产生新的RDD，在新的RDD里面封装计算逻辑

6.可分区、可并行计算

二、DataFrame是什么

在spark中，DataFrame是一种一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，即其所表示的二维表数据集的每一列都带有名称与类型。这使得SparkSQL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效率的目标。反观RDD，由于无从得知所在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、map），从API易用性角度上看，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。

上图直观的体现了DataFrame与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DataFrame却提供了详细的结构信息，使得Spark SQL可以清楚的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是为数据提供了Schema的视图，可以把它当做数据库中的一张表来对待。

DataFrame也是懒执行的，但性能上比RDD要高，主要原因：优化执行计划，即查询计划通过 Spark catalyst optimiser 进行优化。

三、DataSet是什么？

DataSet是分布式数据集合。是Spark1.6中添加的一个新抽象，是DataFrame的一个扩展。它提供了RDD的优势（强类型，使用强大的lambda函数的能力）以及spark SQL优化执行引擎的优点。DataSet也可以使用功能性的转换（操作map,flatMap,filter等等）。

DataSet是D爱他frame API的一个扩展，是SparkSQL最新的数据抽象

用户友好的API风格，即具有类型安全检查也具有DataFrame的查询优化特性

用样例类来对DataSet中定义数据的结构信息，样例类中每个属性的名称来直接映射到DataSet中的字段名称

DataSet是强类型的，必须可以有DataSet[Car]，DataSet[Person]。

DataFrame是DataSet的特例，DataFrame=DataSet[row]，所以可以通过as方法将DataFrame转换为DataSet。Row是一个类型，跟Car、Person这些类型一样，所有的表结构信息都用Row来表示。获取数据时需要指定顺序。

四、DStream是什么？

DStream 是随时间推移而收到的数据的序列。在内部，每个时间区间收到的数据都作为 RDD 存在，每个DStream对应多个RDD，这些RDD是按照时间维度进行划分的， DStream 是 RDD 在实时数据处理场景下的一种封装。

关系：相当于一整条数据流DStream被切分成了多个RDD，每个DStream对应多个RDD；一个RDD对应多个partition

形象理解：DStream 是对 RDD 的封装、是由 RDD 组成的序列；RDD 封装一个时间区间的数据(之前都是一个文件一个RDD，现在是周期性的产生RDD，几秒钟一个)

对 DStream 中数据的操作是按照 RDD 为单位进行的

五、RDD、DataFrame、DataSet 三者的关系

1.在 SparkSQL 中 Spark 为我们提供了两个新的抽象，分别是 DataFrame 和 DataSet。他们和 RDD 有什么区别呢？首先从版本的产生上来看：

➢ Spark1.0 => RDD

➢ Spark1.3 => DataFrame

➢ Spark1.6 => Dataset

如果同样的数据都给到这三个数据结构，他们分别计算之后，都会给出相同的结果。不同是的他们的执行效率和执行方式。在后期的 Spark 版本中，DataSet 有可能会逐步取代 RDD和 DataFrame 成为唯一的 API 接口。

2. 三者的共性

➢ RDD、DataFrame、DataSet 全都是 spark 平台下的分布式弹性数据集，为处理超大型数据提供便利;

➢ 三者都有惰性机制，在进行创建、转换，如 map 方法时，不会立即执行，只有在遇到Action 如 foreach 时，三者才会开始遍历运算;

➢ 三者有许多共同的函数，如 filter，排序等;

➢ 在对 DataFrame 和 Dataset 进行操作许多操作都需要这个包:import spark.implicits._（在创建好 SparkSession 对象后尽量直接导入）

➢ 三者都会根据 Spark 的内存情况自动缓存运算，这样即使数据量很大，也不用担心会内存溢出

➢ 三者都有 partition 的概念

➢ DataFrame 和 DataSet 均可使用模式匹配获取各个字段的值和类型

3.三者的区别

1) RDD

➢ RDD 一般和 spark mllib 同时使用

➢ RDD 不支持 sparksql 操作

2) DataFrame

➢ 与 RDD 和 Dataset 不同，DataFrame 每一行的类型固定为 Row，每一列的值没法直接访问，只有通过解析才能获取各个字段的值

➢ DataFrame 与 DataSet 一般不与 spark mllib 同时使用

➢ DataFrame 与 DataSet 均支持 SparkSQL 的操作，比如 select，groupby 之类，还能注册临时表/视窗，进行 sql 语句操作

➢ DataFrame 与 DataSet 支持一些特别方便的保存方式，比如保存成 csv，可以带上表头，这样每一列的字段名一目了然

3) DataSet

➢ Dataset 和 DataFrame 拥有完全相同的成员函数，区别只是每一行的数据类型不同。DataFrame 其实就是 DataSet 的一个特例 type DataFrame = Dataset[Row]

➢ DataFrame 也可以叫 Dataset[Row],每一行的类型是 Row，不解析，每一行究竟有哪些字段，各个字段又是什么类型都无从得知，只能用上面提到的 getAS 方法或者共性中的第七条提到的模式匹配拿出特定字段。而 Dataset 中，每一行是什么类型是不一定的，在自定义了 case class 之后可以很自由的获得每一行的信息。

通俗的讲：

（1）相同点：
       都是分布式数据集
       DataFrame底层是RDD，但是DataSet不是，不过他们最后都是转换成RDD运行
       DataSet和DataFrame的相同点都是有数据特征、数据类型的分布式数据集(schema)
（2）不同点：
（a）schema信息：
               RDD中的数据是没有数据类型的， DataFrame中的数据是弱数据类型，不会做数据类型检查，虽然有schema规定了数据类型，但是编译时是不会报错的，运行时才会报错， DataSet中的数据类型是强数据类型。
（b）序列化机制：
               RDD和DataFrame默认的序列化机制是java的序列化，可以修改为Kyro的机制。
               DataSet使用自定义的数据编码器进行序列化和反序列化

六、相互转换关系