????????在 SparkSQL 中 Spark 为我们提供了两个新的抽象，分别是 DataFrame 和 DataSet 。他们 和 RDD 有什么区别呢？ 首先从版本的产生上来看： Spark1.0 => RDD Spark1.3 => DataFrame Spark1.6 => Dataset ????????如果同样的数据都给到这三个数据结构，他们分别计算之后，都会给出相同的结果。不 同是的他们的执行效率和执行方式。在后期的 Spark 版本中， DataSet 有可能会逐步取代 RDD 和 DataFrame 成为唯一的 API 接口。 ???????? 【 三者的共性 】 RDD 、 DataFrame 、 DataSet 全都是 spark 平台下的分布式弹性数据集，为处理超大型数 据提供便利; 1、三者都有惰性机制，在进行创建、转换，如 map 方法时，不会立即执行，只有在遇到 Action如 foreach 时，三者才会开始遍历运算 ; 2、三者有许多共同的函数，如 filter ，排序等 ; 3、在对 DataFrame 和 Dataset 进行操作许多操作都需要这个包 : import spark.implicits._ （在 创建好 SparkSession 对象后尽量直接导入） 4、三者都会根据 Spark 的内存情况自动缓存运算，这样即使数据量很大，也不用担心会 内存溢出 5、? 三者都有 partition 的概念。 6、DataFrame 和 DataSet 均可使用模式匹配获取各个字段的值和类型 【三者的区别】 1、RDD ? RDD 一般和 spark mllib 同时使用 ? RDD 不支持 sparksql 操作 2、?DataFrame ? 与 RDD 和 Dataset 不同， DataFrame 每一行的类型固定为 Row ，每一列的值没法直 接访问，只有通过解析才能获取各个字段的值 ? DataFrame 与 DataSet 一般不与 spark mllib 同时使用 ? DataFrame 与 DataSet 均支持 SparkSQL 的操作，比如 select ， groupby 之类，还能 注册临时表/ 视窗，进行 sql 语句操作 ? DataFrame 与 DataSet 支持一些特别方便的保存方式，比如保存成 csv ，可以带上表 头，这样每一列的字段名一目了然( 后面专门讲解 ) 3)、DataSet ? Dataset 和 DataFrame 拥有完全相同的成员函数，区别只是每一行的数据类型不同DataFrame 其实就是 DataSet 的一个特例 type DataFrame = Dataset[Row] ? DataFrame 也可以叫 Dataset[Row], 每一行的类型是 Row ，不解析，每一行究竟有哪 些字段，各个字段又是什么类型都无从得知，只能用上面提到的 getAS 方法或者共性中的第七条提到的模匹配拿出特定字段。而 Dataset 中，每一行是什么类型是 不一定的，在自定义了 case class 之后可以很自由的获得每一行的信息。