Spark 系列（八）—— Spark SQL 之 DataFrame 和 Dataset

一、Spark SQL簡介

Spark SQL 是 Spark 中的一個子模塊，主要用于操作結構化數據。它具有以下特點：

• 能夠將 SQL 查詢與 Spark 程序無縫混合，允許您使用 SQL 或 DataFrame API 對結構化數據進行查詢；
• 支持多種開發語言；
• 支持多達上百種的外部數據源，包括 Hive，Avro，Parquet，ORC，JSON 和 JDBC 等；
• 支持 HiveQL 語法以及 Hive SerDes 和 UDF，允許你訪問現有的 Hive 倉庫；
• 支持標準的 JDBC 和 ODBC 連接；
• 支持優化器，列式存儲和代碼生成等特性；
• 支持擴展并能保證容錯。

二、DataFrame & DataSet

2.1 DataFrame

為了支持結構化數據的處理，Spark SQL 提供了新的數據結構 DataFrame。DataFrame 是一個由具名列組成的數據集。它在概念上等同于關系數據庫中的表或 R/Python 語言中的 data frame。 由于 Spark SQL 支持多種語言的開發，所以每種語言都定義了 DataFrame 的抽象，主要如下：

2.2 DataFrame 對比 RDDs

DataFrame 和 RDDs 最主要的區別在于一個面向的是結構化數據，一個面向的是非結構化數據，它們內部的數據結構如下：

DataFrame 內部的有明確 Scheme 結構，即列名、列字段類型都是已知的，這帶來的好處是可以減少數據讀取以及更好地優化執行計劃，從而保證查詢效率。

DataFrame 和 RDDs 應該如何選擇？

• 如果你想使用函數式編程而不是 DataFrame API，則使用 RDDs；
• 如果你的數據是非結構化的 (比如流媒體或者字符流)，則使用 RDDs，
• 如果你的數據是結構化的 (如 RDBMS 中的數據) 或者半結構化的 (如日志)，出于性能上的考慮，應優先使用 DataFrame。

2.3 DataSet

Dataset 也是分布式的數據集合，在 Spark 1.6 版本被引入，它集成了 RDD 和 DataFrame 的優點，具備強類型的特點，同時支持 Lambda 函數，但只能在 Scala 和 Java 語言中使用。在 Spark 2.0 后，為了方便開發者，Spark 將 DataFrame 和 Dataset 的 API 融合到一起，提供了結構化的 API(Structured API)，即用戶可以通過一套標準的 API 就能完成對兩者的操作。

這里注意一下：DataFrame 被標記為 Untyped API，而 DataSet 被標記為 Typed API，后文會對兩者做出解釋。

2.4 靜態類型與運行時類型安全

靜態類型 (Static-typing) 與運行時類型安全 (runtime type-safety) 主要表現如下:

在實際使用中，如果你用的是 Spark SQL 的查詢語句，則直到運行時你才會發現有語法錯誤，而如果你用的是 DataFrame 和 Dataset，則在編譯時就可以發現錯誤 (這節省了開發時間和整體代價)。DataFrame 和 Dataset 主要區別在于：

在 DataFrame 中，當你調用了 API 之外的函數，編譯器就會報錯，但如果你使用了一個不存在的字段名字，編譯器依然無法發現。而 Dataset 的 API 都是用 Lambda 函數和 JVM 類型對象表示的，所有不匹配的類型參數在編譯時就會被發現。

以上這些最終都被解釋成關于類型安全圖譜，對應開發中的語法和分析錯誤。在圖譜中，Dataset 最嚴格，但對于開發者來說效率最高。

<div align="center"> <img width="600px" src="https://raw.githubusercontent.com/heibaiying/BigData-Notes/master/pictures/spark-運行安全.png"/> </div>
上面的描述可能并沒有那么直觀，下面的給出一個 IDEA 中代碼編譯的示例：

這里一個可能的疑惑是 DataFrame 明明是有確定的 Scheme 結構 (即列名、列字段類型都是已知的)，但是為什么還是無法對列名進行推斷和錯誤判斷，這是因為 DataFrame 是 Untyped 的。

2.5 Untyped & Typed

在上面我們介紹過 DataFrame API 被標記為 Untyped API，而 DataSet API 被標記為 Typed API。DataFrame 的 Untyped 是相對于語言或 API 層面而言，它確實有明確的 Scheme 結構，即列名，列類型都是確定的，但這些信息完全由 Spark 來維護，Spark 只會在運行時檢查這些類型和指定類型是否一致。這也就是為什么在 Spark 2.0 之后，官方推薦把 DataFrame 看做是 DatSet[Row]，Row 是 Spark 中定義的一個 trait，其子類中封裝了列字段的信息。

相對而言，DataSet 是 Typed 的，即強類型。如下面代碼，DataSet 的類型由 Case Class(Scala) 或者 Java Bean(Java) 來明確指定的，在這里即每一行數據代表一個 Person，這些信息由 JVM 來保證正確性，所以字段名錯誤和類型錯誤在編譯的時候就會被 IDE 所發現。

case class Person(name: String, age: Long)
val dataSet: Dataset[Person] = spark.read.json("people.json").as[Person]

三、DataFrame & DataSet & RDDs 總結

這里對三者做一下簡單的總結：

• RDDs 適合非結構化數據的處理，而 DataFrame & DataSet 更適合結構化數據和半結構化的處理；
• DataFrame & DataSet 可以通過統一的 Structured API 進行訪問，而 RDDs 則更適合函數式編程的場景；
• 相比于 DataFrame 而言，DataSet 是強類型的 (Typed)，有著更為嚴格的靜態類型檢查；
• DataSets、DataFrames、SQL 的底層都依賴了 RDDs API，并對外提供結構化的訪問接口。

<div align="center"> <img width="600px" src="https://raw.githubusercontent.com/heibaiying/BigData-Notes/master/pictures/spark-structure-api.png"/> </div>

四、Spark SQL的運行原理

DataFrame、DataSet 和 Spark SQL 的實際執行流程都是相同的：

1. 進行 DataFrame/Dataset/SQL 編程；
2. 如果是有效的代碼，即代碼沒有編譯錯誤，Spark 會將其轉換為一個邏輯計劃；
3. Spark 將此邏輯計劃轉換為物理計劃，同時進行代碼優化；
4. Spark 然后在集群上執行這個物理計劃 (基于 RDD 操作) 。

4.1 邏輯計劃(Logical Plan)

執行的第一個階段是將用戶代碼轉換成一個邏輯計劃。它首先將用戶代碼轉換成 unresolved logical plan(未解決的邏輯計劃)，之所以這個計劃是未解決的，是因為盡管您的代碼在語法上是正確的，但是它引用的表或列可能不存在。 Spark 使用 analyzer(分析器) 基于 catalog(存儲的所有表和 DataFrames 的信息) 進行解析。解析失敗則拒絕執行，解析成功則將結果傳給 Catalyst 優化器 (Catalyst Optimizer)，優化器是一組規則的集合，用于優化邏輯計劃，通過謂詞下推等方式進行優化，最終輸出優化后的邏輯執行計劃。

4.2 物理計劃(Physical Plan)

得到優化后的邏輯計劃后，Spark 就開始了物理計劃過程。 它通過生成不同的物理執行策略，并通過成本模型來比較它們，從而選擇一個最優的物理計劃在集群上面執行的。物理規劃的輸出結果是一系列的 RDDs 和轉換關系 (transformations)。

4.3 執行

在選擇一個物理計劃后，Spark 運行其 RDDs 代碼，并在運行時執行進一步的優化，生成本地 Java 字節碼，最后將運行結果返回給用戶。

參考資料

1. Matei Zaharia, Bill Chambers . Spark: The Definitive Guide[M] . 2018-02
2. Spark SQL, DataFrames and Datasets Guide
3. 且談 Apache Spark 的 API 三劍客：RDD、DataFrame 和 Dataset(譯文)
4. A Tale of Three Apache Spark APIs: RDDs vs DataFrames and Datasets(原文)

更多大數據系列文章可以參見 GitHub 開源項目： 大數據入門指南