Spark学习之路（八）—— Spark SQL 之 DataFrame和Dataset

一、Spark SQL简介

Spark SQL是Spark中的一个子模块，主要用于操作结构化数据。它具有以下特点：

能够将SQL查询与Spark程序无缝混合，允许您使用SQL或DataFrame API对结构化数据进行查询；
支持多种开发语言；
支持多达上百种的外部数据源，包括Hive，Avro，Parquet，ORC，JSON和JDBC等；
支持HiveQL语法以及Hive SerDes和UDF，允许你访问现有的Hive仓库；
支持标准的JDBC和ODBC连接；
支持优化器，列式存储和代码生成等特性；
支持扩展并能保证容错。

二、DataFrame & DataSet

2.1 DataFrame

为了支持结构化数据的处理，Spark SQL提供了新的数据结构DataFrame。DataFrame是一个由具名列组成的数据集。它在概念上等同于关系数据库中的表或R/Python语言中的data frame。由于Spark SQL支持多种语言的开发，所以每种语言都定义了DataFrame的抽象，主要如下：

语言	主要抽象
Scala	Dataset[T] & DataFrame (Dataset[Row] 的别名)
Java	Dataset[T]
Python	DataFrame
R	DataFrame

2.2 DataFrame 对比 RDDs

DataFrame和RDDs最主要的区别在于一个面向的是结构化数据，一个面向的是非结构化数据，它们内部的数据结构如下：

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。

2.3 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。

这里注意一下：DataFrame被标记为Untyped API，而DataSet被标记为Typed API，后文会对两者做出解释。

2.4 静态类型与运行时类型安全

静态类型(Static-typing)与运行时类型安全(runtime type-safety) 主要表现如下:

在实际使用中，如果你用的是Spark SQL的查询语句，则直到运行时你才会发现有语法错误，而如果你用的是DataFrame和 Dataset，则在编译时就可以发现错误(这节省了开发时间和整体代价)。DataFrame和Dataset主要区别在于：

在DataFrame中，当你调用了API之外的函数，编译器就会报错，但如果你使用了一个不存在的字段名字，编译器依然无法发现。而Dataset的API都是用Lambda函数和JVM类型对象表示的，所有不匹配的类型参数在编译时就会被发现。

以上这些最终都被解释成关于类型安全图谱，对应开发中的语法和分析错误。在图谱中，Dataset最严格，但对于开发者来说效率最高。

上面的描述可能并没有那么直观，下面的给出一个IDEA中代码编译的示例：

这里一个可能的疑惑是DataFrame明明是有确定的Scheme结构(即列名、列字段类型都是已知的)，但是为什么还是无法对列名进行推断和错误判断，这是因为DataFrame是Untyped的。

2.5 Untyped & Typed

在上面我们介绍过DataFrame API被标记为Untyped API，而DataSet API被标记为Typed API。DataFrame的Untyped是相对于语言或API层面而言，它确实有明确的Scheme结构，即列名，列类型都是确定的，但这些信息完全由Spark来维护，Spark只会在运行时检查这些类型和指定类型是否一致。这也就是为什么在Spark 2.0之后，官方推荐把DataFrame看做是DatSet[Row]，Row是Spark中定义的一个trait，其子类中封装了列字段的信息。

相对而言，DataSet是Typed的，即强类型。如下面代码，DataSet的类型由Case Class(Scala)或者Java Bean(Java)来明确指定的，在这里即每一行数据代表一个Person，这些信息由JVM来保证正确性，所以字段名错误和类型错误在编译的时候就会被IDE所发现。

case class Person(name: String, age: Long)
val dataSet: Dataset[Person] = spark.read.json("people.json").as[Person]

三、DataFrame & DataSet & RDDs 总结

这里对三者做一下简单的总结：

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。

四、Spark SQL的运行原理

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

进行DataFrame/Dataset/SQL编程；
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；
Spark将此逻辑计划转换为物理计划，同时进行代码优化；
Spark然后在集群上执行这个物理计划(基于RDD操作) 。

4.1 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。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。 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)，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。

4.2 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)。

4.3 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。

参考资料

Matei Zaharia, Bill Chambers . Spark: The Definitive Guide[M] . 2018-02
Spark SQL, DataFrames and Datasets Guide
且谈 Apache Spark 的 API 三剑客：RDD、DataFrame 和 Dataset(译文)
A Tale of Three Apache Spark APIs: RDDs vs DataFrames and Datasets(原文)

更多大数据系列文章可以参见个人 GitHub 开源项目：程序员大数据入门指南