小记--------sparkSQL - spark基础知识

1.RDD 是spark的核心数据结构，全称是弹性分布式数据集。

    本质上是一种分布式的内存抽象，表示一个只读的数据分区集合。一个RDD通常只能通过其他的RDD转换而创建，RDD定义了各种丰富的转换操作，通过转换操作，新的RDD包含了如何从其他RDD衍生所必须的信息。这些信息构成了RDD之间的依赖关系。

    依赖关系具体分为两种： 窄依赖（RDD之间分区时一一对应的）；宽依赖（RDD之间是多对多的关系）

    而其中窄依赖的所有转换操作可以通过类似管道的方式全部执行。

              宽依赖意味着数据需要在不同节点之间shuffle传输

 

1.1 RDD算子包括两类：

    transformation：用来将RDD进行转换，构建RDD的依赖关系

    action：用来触发RDD的计算，得到RDD的相关计算结果或将RDD保存到文件系统中。

 

概括而言：基于RDD的计算任务可描述为：从稳定的物理存储（如分布式文件系统HDFS）中加载记录，记录被传入由一组确定性操作构成的DAG（有向无环图），然后写回稳定存储。RDD还可以将数据集缓存到内存中，是的多个操作之间可以很方便的重用数据集、

 

容错性

    基于RDD之间的依赖，一个任务流可以描述为DAG，在实际执行的时候RDD通过Lineage信息（血缘关系）来完成容错，即使出现数据分区丢失，也可以通过Lineage 信息重建分区。但是如果是长时间迭代型应用，随着时间的退役，RDD之间的Lineage信息会越来越长，如果一但过程中出错，就需要很慌的Lineage信息重建分区，性能会大大降低。

    因此，RDD支持用checkpoint机制将数据保存到持久化的存储汇总，这样就可以切断之前的Lineage信息，因为checkpoint后的RDD不再需要知道它的父RDD， 可以直接从checkpoint处获取数据。

 

2.DataFrame和Dataset

    DataFrame与RDD一样，都是不可变分布式弹性数据集。    

区别是：

    RDD中的数据不包含任何结构信息。

    DataFrame中的数据集类似于关系型数据库中的表，按列名存储，具有Schema信息。

 

    DataFrame的数据抽象是命名元组（对应Row类型）

 

    Dataset比Dataframe更为强大。Dataframe本质上是一种特殊的Dataset（也就是Dataset[Row]类型）

    作为DataFrame的扩展，Dataset结合了RDD和DataFrame的有点：提供类型安全和面向对象的编程接口，并引入了编码器（Encoder）的概念。

// 案例
case class Person(name:String , age:Int)
val caseClass2DS = Seq(Person("ss" , 32)).toDS()
caseClass2DS.show()

 

 

// 其中在定义Person的类就起到了Encoder的作用，在映射过程中，Encoder首先检查定义的Person类的类型是否与数据相符，如果不相符，则能够及时提供有用的错误信息、。

// 类似于DataFrame， Dataset创建之后也能够很容易地使用lambda表达式操作

    其中Encoder不仅能够在编译阶段完成类型安全检查，还能够生成字节码与堆外数据进行交互，提供对各个属性的按需访问， 而不必对整个对象进行反序列化操作， 极大地减少了网络数据传输代价。