Spark内置了一些常见的文件格式的处理，包括text/json，csv，sequence等；Spark对于文件处理保持了开放性，还提供了可以通过InputFormat，OutputFormat来进行文件处理；这样只要是Hdfs支持文件格式，一定有对应的Format，只要有Input/OutputFormat，就可以在spark中进行读写操作。
Spark对于文件的读写有两类API，其实并不是Spark的两套API，而是Hadoop框架从0.2.0开始就是新老两套API，这两套API主要是设计和扩展性方面的不同，逻辑和效率差别并不大；使用的时候尽量统一。
关于文件的读写，还有就是在为了减少系统在传输上面的压力，Spark内置压缩方式，这样在传输的过程可以减少压力。注意的是压缩的算法需要在各个机器上面都支持才可以；而且在性能上也是有一个权衡，毕竟压缩传输是需要在端对数据进行处理，网络传输时间vs压缩、解压缩处理需要进行平衡和测试。不过对于网络压力比较大的场景，压缩还是应该提倡，毕竟网络资源属于共享资源，发生阻塞损失也会比较大；但是如果解压缩、压缩对于单点机器也是压力，那么也是要考虑；关键还是模拟场景进行测试。但是要注意一点，压缩是存储的事情（是Hdfs决定的）；spark只是根据Hdfs的定义来做相应的调整。
spark除了可以针对文件进行处理，支持的其他数据源以及访问数据源方式：jdbc，HBase，Cassandra，ElacsSearch（当然本质也是读取文件）；
另外spark支持的文件操作系统包括：常规的操作系统自带文件系统，Hdfs，S3；
Spark SQL结构化数据：DataFrame，在作者成书的年代，还叫做Schema RDD，其实也挺形象，因为DataFrame是由两部分组成：schema+RDD，Schema就是数据的列信息；RDD就是数据的描述。
