学习进度02

今天学习sparksql。

sparksql的特点：

1.易整合

无缝的整合了 SQL 查询和 Spark 编程

2.统一的数据访问

使用相同的方式连接不同的数据源

3.兼容 Hive

在已有的仓库上直接运行 SQL 或者 HiveQL

4.标准数据连接

通过 JDBC 或者 ODBC 来连接

DataFrame：

在 Spark 中，DataFrame 是一种以 RDD 为基础的分布式数据集，类似于传统数据库中

的二维表格。DataFrame 与 RDD 的主要区别在于，前者带有 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。这使得 Spark SQL 得以洞察更多的结构

信息，从而对藏于 DataFrame 背后的数据源以及作用于 DataFrame 之上的变换进行了针对性

的优化，最终达到大幅提升运行时效率的目标。反观 RDD，由于无从得知所存数据元素的

具体内部结构，Spark Core 只能在 stage 层面进行简单、通用的流水线优化。

同时，与 Hive 类似，DataFrame 也支持嵌套数据类型（struct、array 和 map）。从 API

易用性的角度上看，DataFrame API 提供的是一套高层的关系操作，比函数式的 RDD API 要

更加友好，门槛更低

何为DataSet：

DataSet 是分布式数据集合。DataSet 是 Spark 1.6 中添加的一个新抽象，是 DataFrame

的一个扩展。它提供了 RDD 的优势（强类型，使用强大的 lambda 函数的能力）以及 Spark

SQL 优化执行引擎的优点。DataSet 也可以使用功能性的转换（操作 map，flatMap，filter

等等）。

➢

DataSet 是 DataFrame API 的一个扩展，是 SparkSQL 最新的数据抽象

➢

用户友好的 API 风格，既具有类型安全检查也具有 DataFrame 的查询优化特性；

➢

用样例类来对 DataSet 中定义数据的结构信息，样例类中每个属性的名称直接映射到

DataSet 中的字段名称；

➢

DataSet 是强类型的。比如可以有 DataSet[Car]，DataSet[Person]。

➢

DataFrame 是 DataSet 的特列，DataFrame=DataSet[Row] ，所以可以通过 as 方法将

DataFrame 转换为 DataSet。Row 是一个类型，跟 Car、Person 这些的类型一样，所有的

表结构信息都用 Row 来表示。获取数据时需要指定顺序