RDD vs DataFrames vs DataSet

　　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：

 

　　RDD (Spark1.0) —> Dataframe(Spark1.3) —> Dataset(Spark1.6)

 

　　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。

 

1.1.1 RDD

 

• RDD是一个懒执行的不可变的可以支持Lambda表达式的并行数据集合。
• RDD的最大好处就是简单，API的人性化程度很高。
• RDD的劣势是性能限制，它是一个JVM驻内存对象，这也就决定了存在GC的限制和数据增加时Java序列化成本的升高。

 

1.1.1 Dataframe

 

　　与RDD类似，DataFrame也是一个分布式数据容器。然而DataFrame更像传统数据库的二维表格，除了数据以外，还记录数据的结构信息，即schema。