SparkSql Handle Data Ways

序言

有多种方式去使用Spark SQL:

1. SQL
2. DataFrames API
3. Datasets API

但无论是哪种API或者是编程语言，它们都是基于同样的执行引擎，因此你可以在不同的API之间随意切换，它们各有各的特点.cuiyaonan2000@163.com

参考:

1. spark结构化数据处理：Spark SQL、DataFrame和Dataset_qq_21355765的博客-CSDN博客
2. 大数据基础---SparkSQL_Dataset和DataFrame简介 - 数据驱动 - 博客园

DataFrame

使用Spark SQL的一种方式就是通过SQL语句来执行SQL查询。当在编程语言中使用SQL时，其返回结果将被封装为一个DataFrame.

DataFrame是一个分布式集合(既然是分布式集合是否就天然的支持分布式计算,以解决大数据的情况cuiyaonan2000@163.com),是一个由具名列组成的数据集。它概念上等价于关系数据库中的表，但底层做了更多的优化。

DataFrame可以从很多数据源构建，比如：已经存在的RDD、结构化文件、外部数据库、Hive表。

DataFrame 与 RDD的区别

DataFrame的前身是SchemaRDD，从Spark 1.3.0开始SchemaRDD更名为DataFrame。与SchemaRDD的主要区别是：DataFrame不再直接继承自RDD，而是自己实现了RDD的绝大多数功能。

你仍旧可以在DataFrame上调用.rdd方法将其转换为一个RDD。RDD和DataFrame的区别如下所示:

1. RDD可看作是分布式的对象的集合，Spark并不知道对象的详细模式信息，
2. DataFrame可看作是分布式的Row对象的集合,DataFrame 内部的有明确 Scheme 结构，即列名、列字段类型都是已知的，这带来的好处是可以减少数据读取以及更好地优化执行计划，从而保证查询效率。

DataFrame 和 RDDs 应该如何选择？

• 如果你想使用函数式编程而不是 DataFrame API，则使用 RDDs；
• 如果你的数据是非结构化的 (比如流媒体或者字符流)，则使用 RDDs，
• 如果你的数据是结构化的 (如 RDBMS 中的数据) 或者半结构化的 (如日志)，出于性能上的考虑，应优先使用 DataFrame。

在不同环境中DataFrame的抽象 语言主要抽象JavaDataset [T]PythonDataFrameScalaDataset [T] & DataFrame (Dataset[Row] 的别名)RDataFrame

DataSet

Dataset 也是分布式的数据集合，在 Spark 1.6 版本被引入，它集成了 RDD 和 DataFrame 的优点，具备强类型的特点，同时支持 Lambda 函数，但只能在 Scala 和 Java 语言中使用。

在 Spark 2.0 后，为了方便开发者，Spark 将 DataFrame 和 Dataset 的 API 融合到一起，提供了结构化的 API(Structured API)，即用户可以通过一套标准的 API 就能完成对两者的操作。

实际上Dataset是包含了DataFrame的功能的，这样二者就出现了很大的冗余，故Spark 2.0将二者统一：保留Dataset API，把DataFrame表示为Dataset[Row]，即Dataset的子集。

Spark在迅速的发展，从原始的RDD API，再到DataFrame API，再到Dataset的出现，速度可谓惊人，执行性能上也有了很大提升。我们在使用API时，应该优先选择DataFrame & Dataset，因为它的性能很好，

DataFrame & DataSet & RDDs 总结

• RDDs 适合非结构化数据的处理，而 DataFrame & DataSet 更适合结构化数据和半结构化的处理；
• DataFrame & DataSet 可以通过统一的 Structured API 进行访问，而 RDDs 则更适合函数式编程的场景；
• 相比于 DataFrame 而言，DataSet 是强类型的 (Typed)，有着更为严格的静态类型检查；
• DataSets、DataFrames、SQL 的底层都依赖了 RDDs API，并对外提供结构化的访问接口。

他们的关系与位置如下图所示:

SparkSql 运行原理

DataFrame、DataSet 和 Spark SQL 的实际执行流程都是相同的：

1.  进行 DataFrame/Dataset/SQL 编程；
2. 如果是有效的代码，即代码没有编译错误，Spark 会将其转换为一个逻辑计划；
3. Spark 将此逻辑计划转换为物理计划，同时进行代码优化；----这里的物理计划是否能支持移动计算,这个是关键啊,其它的都是浮云cuiyaonan2000@163.com
4. Spark 然后在集群上执行这个物理计划 (基于 RDD 操作) 。 

逻辑计划(Logical Plan)

执行的第一个阶段是将用户代码转换成一个逻辑计划。

1. 它首先将用户代码转换成 unresolved logical plan(未解决的逻辑计划)，之所以这个计划是未解决的，是因为尽管您的代码在语法上是正确的，但是它引用的表或列可能不存在。
2. Spark 使用 analyzer(分析器) 基于 catalog(存储的所有表和 DataFrames 的信息) 进行解析。解析失败则拒绝执行，解析成功则将结果传给 Catalyst 优化器 (Catalyst Optimizer)-----这里我理解就是需要有个元数据库来检查字段,表是否正确cuiyaonan2000@163.com
3. 优化器是一组规则的集合，用于优化逻辑计划，通过谓词下推等方式进行优化，最终输出优化后的逻辑执行计划。 ---最后优化一下

物理计划(Physical Plan)

得到优化后的逻辑计划后，Spark 就开始了物理计划过程。 它通过生成不同的物理执行策略，并通过成本模型来比较它们，从而选择一个最优的物理计划在集群上面执行的。物理规划的输出结果是一系列的 RDDs 和转换关系 (transformations)。----这里是否就是大数据运算的关键???分批的读取数据放入内存,然后在进行汇总.越来越觉得这种方式的计算,必须要基于源数据库cuiyaonan2000@163.com

执行

在选择一个物理计划后，Spark 运行其 RDDs 代码，并在运行时执行进一步的优化，生成本地 Java 字节码，最后将运行结果返回给用户。