概述
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：<br />RDD (Spark1.0) —> Dataframe(Spark1.3) —> Dataset(Spark1.6)
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。
DataSet 功能强大,DataFrame功能弱一些,将来用DataFrame的比较多,因为从数据源读到的数据直接就是DataFrame,然后就在DataFrame上直接执行SQL就行了.
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会逐步取代RDD和DataFrame成为唯一的 API 接口。
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(内存不够的时候会自动给数据溢出到磁盘里面)
三者都有partition分区的概念
三者有许多共同的函数，如map, filter，排序等
在对 DataFrame和Dataset进行操作许多操作都需要这个包进行支持import spark.implicits._
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 mlib同时使用
2. RDD不支持sparksql操作DataFrame
- 与RDD和DataFrame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，getint getstring的时候容易出错,因为类型是在编译的时候看不出来,在执行的时候才能看出来.
2. DataFrame与DataSet一般不与 spark mlib 同时使用
3. 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
4. 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其实就是DataSet的一个特例
2. 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三者的互相转换
rdd到DataFrame 需要样例类
rdd到dataset需要样例类
DataFrame 到dataset 需要样例类
若有收获，就点个赞吧
0 人点赞
