SparkSQL 中 RDD 、DataFrame 、DataSet 三者的区别与联系

一、SparkSQL发展：

　　Shark是一个为spark设计的大规模数据仓库系统，它与Hive兼容

 　   Shark建立在Hive的代码基础上，并通过将Hive的部分物理执行计划交换出来（by swapping out the physical execution engine part of Hive）。这个方法使得Shark的用户可以加速Hive的查询，但是Shark继承了Hive的大且复杂的代码基线使得Shark很难优化和维护。随着我们遇到了性能优化的上限，以及集成SQL的一些复杂的分析功能，我们发现Hive那位MapReduce设计的框架限制了Shark的发展。

　　基于上述的理由我们停止Shark这个独立项目的开发，而转向spark SQL。Spark SQL是作为spark一个组件，充分利用spark的有事从头开始设计的。这种新的设计使我们数据更快，且最终交付给用户一个体验更好且更强大的工具。

　　对于SQL用户，spark SQL提供很好的性能并且与Shark、Hive兼容。（性能提高一个数量级）。

　　对spark用户，spark SQL提供了对结构化数据的简便（ narrow-waist）操作。那是真正的为高级的数据分析统一了SQL（结构化查询语言）与命令式语言的混合使用。

　　对开源的高手来说，Spark SQL提供了新颖而优雅的构建查询计划的方法。人们可以很容易添加新的优化到这个框架内。我们也被开源贡献者的热情所感动

1.0以前：   Shark

1.1.x开始：SparkSQL(只是测试性的)  SQL

1.3.x:          SparkSQL(正式版本)+Dataframe

1.5.x:          SparkSQL 钨丝计划

1.6.x：       SparkSQL+DataFrame+DataSet(测试版本)

 2.x:

•      SparkSQL+DataFrame+DataSet(正式版本)
•      SparkSQL:还有其他的优化
•      StructuredStreaming(DataSet)

spark on hive ：这里的hive只做数据的存储，sql由spark来解析并执行。

hive on spark：这里hive用来解析sql语句，spark来执行。

 二、 RDD 、DataFrame 、DataSet  三者的区别与联系：

RDD前置知识：

优点:

编译时类型安全：编译时就能检查出类型错误

面向对象的编程风格：直接通过类名点的方式来操作数据

缺点:

序列化和反序列化的性能开销

无论是集群间的通信, 还是 IO 操作都需要对对象的结构和数据进行序列化和反序列化。

GC 的性能开销 ，频繁的创建和销毁对象, 势必会增加 GC

spark2.0中，引入SparkSession作为DataSet和DataFrame API的切入点

2、DataFrame ：DataFrame与RDD的主要区别在于，DataFrame引入了 schema 表结构元信息、 off-heap 堆外内存。

　　schema元信息，即DataFrame所表示的二维表数据集的每一列都带有名称和类型。Spark通过 schema 就能够读懂数据, 因此在通信和 IO 时就只需要序列化和反序列化数据, 而结构的部分就可以省略了。　　

　　off-heap 堆外内存，意味着 JVM堆以外的内存, 这些内存直接受操作系统管理（而不是 JVM）。Spark能够以二进制的形式序列化数据(不包括结构)到 off-heap 中， 当要操作数据时，就直接操作 off-heap 内存。由于 Spark 理解 schema，所以知道该如何操作。off-heap 就像地盘，schema 就像地图，Spark有地图又有自己地盘了，就可以自己说了算了，不再受 JVM的限制，也就不再收 GC 的困扰了。

缺点：DataFrame 不是类型安全的，API也不是面向对象风格的。

这里的类型安全是指：编译时检查类型是否合法，例如程序需要 new A（）你传了一个 B类 过来。不会出现变量的类型错误。

 3、DataSet：

 参考博客：DataSet  https://www.cnblogs.com/frankdeng/p/9301760.html

参考博客：sparkSql     https://www.cnblogs.com/frankdeng/p/9301743.html