Spark SQL与DataFrame

Posted 2022-12-03 靖-Drei

1. Spark SQL与DataFrame
2. RDD与DataFrame
3. Spark SQL企业级最佳实践

一：Spark SQL与DataFrame
1.Spark SQL非常强大主要体现在一下几点：

a) 可以处理一切存储介质和各种格式的数据(可以方便的扩展Spark SQL的功能来支持更多类型的数据，例如Kudu)，包括Hive，mysql，DB2等传统数据库。
b) Spark SQL把数据仓库的计算能力推向了新的高度，不仅是无敌的计算速度(Spark SQL比Shank快了至少一个数量级，而Shank比Hive快了至少一个数量级，尤其是在Tungsten成熟以后会更加无可匹敌)，更为重要的是把数据仓库的计算复杂度推向了历史上全新的高度(Spark SQL后续推出的DataFrame可以让数据仓库直接使用机器学习，图计算等复杂的算法库来对数据仓库进行复杂深度数据价值的挖掘)。
c) Spark SQL(DataFrame，DataSet)不仅是数据仓库的引擎，而且也是数据挖掘的引擎，更为重要的是Spark SQL是数据科学计算和分析引擎！！
d) 后来的DataFrame让Spark(SQL)一举成为了大数据计算引擎的技术实现霸主(尤其是在Tungsten的强力支持下)！
e) Hive+Spark SQL+DataFrame目前至少是在中国所有的大数据项目90%无法逃脱的技术组合。

A） Hive：负责廉价的数据库存储。
B） Spark SQL：负责高速的计算。
C） DataFrame：负责复杂的数据挖掘
二：RDD与DataFrame
1. R和Python中有DataFrame，Spark中的DataFrame从形式上最大的不同点其天生是分布式的，你可以简单的认为Spark中的DataFrame是一个分布式的Table，形如如下：

Name	Age	Tel
String	Int	Long
String	Int	Long
…	…	…
String	Int	Long

而RDD是形如以下所示：

Person
Person
Person
…
Person

2. RDD和DataFrame的根本差异是：
a） RDD是以Record为单位的，Spark在优化的时候无法洞悉Record内部的细节，所以也就无法进行更深度的优化，这极大的限制了Spark SQL性能提升！
b） DataFrame包含了每个Record的Metadata信息，也就是说DataFrame的优化是基于列内部的优化，而不是像RDD一样只能够基于行进行优化。

三：Spark SQL企业级最佳实践

第一阶段：最开始阶段是文件存储，C代码处理。
第二阶段：JavaEE加数据库，瓶颈数据库不能分布式(扩展性)，企业只能处理局部数据，数据过滤然后在数据库中。
第三阶段：数据局限导致Hive，Hive计算能力有限，出现速度性能问题。
第四阶段：Hive转向Spark SQL+Hive，计算能力是一个问题。
第五阶段：Hive+Spark SQL+DataFrame
第六阶段：Hive+Spark SQL+DataFrame+DataSet