版权声明：未经同意，不得转载。 https://blog.csdn.net/qq_36235275/article/details/82502500
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，极端情况下，如果代码里面有创建、转换，但是后面没有在Action中使用对应的结果，在执行时会被直接跳过.
- 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
- 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spark.implicits._进行支持
- DataFrame和Dataset均可使用模式匹配获取各个字段的值和类型
三者的区别
- RDD
- RDD一般和spark mllib同时使用
- RDD不支持sparksql操作
- DataFrame
- 与RDD和Dataset不同，DataFrame每一行的类型固定为Row，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
- 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