# Spark SQL DataFrames
## 一、Spark SQL简介
Spark SQL是Spark中的一个子模块，主要用于操作结构化数据。其具有以下特点：
+ 能够将SQL查询与Spark程序无缝混合。允许您使用SQL或DataFrame API对结构化数据进行查询，支持Java，Scala，Python和R语言；
+ Spark SQL支持多种数据源，包括Hive，Avro，Parquet，ORC，JSON和JDBC；
+ Spark SQL支持HiveQL语法以及Hive SerDes和UDF，允许你访问现有的Hive仓库；
+ 支持标准的JDBC和ODBC连接；
+ Spark SQL支持优化器，列式存储和代码生成等特性，以提高查询效率；
+ 支持扩展并能保证容错。
## 二、DataFrame & DataSet
### 2.1 DataFrame
为了支持结构化数据的处理，Spark SQL提供了新的数据结构DataFrame。
DataFrame是一个由具名列组成的数据集。它在概念上等同于关系数据库中的表或R/Python语言中的data frame，同时DataFrame还在底层做了更多的优化，以保证查询效率。 DataFrame具备以下特点：
+ 支持多种数据源，如结构化数据文件，Hive表，外部数据库或现有RDD；
+ 支持Scala，Java，Python和R语言，在Scala和Java中，DataFrame由行数据集(Rows)表示：
+ 在Scala API中，DataFrame等价于Dataset [Row]；
+ 在Java API中，DataFrame等价于Dataset\。
| 语言 | 主要抽象 |
| ------ | -------------------------------------------- |
| Scala | Dataset[T] & DataFrame (Dataset[Row] 的别名) |
| Java | Dataset[T] |
| Python | DataFrame |
| R | DataFrame |
### 2.2 DataFrame 对比 RDDs
DataFrame和RDDs最主要的区别在于一个面向的是结构化数据，一个面向的是非结构化数据，它们内部的数据结构如下：
DataFrame内部的有明确Scheme结构，即列名、列字段类型都是已知的，这带来的好处是可以减少数据读取以及更好地优化执行计划，从而保证查询效率。
**DataFrame和RDDs应该如何选择？**
+ 如果你想使用函数式编程而不是DataFrame API，则使用RDDs；
+ 如果你的数据是非结构化的(比如流媒体或者字符流)，则使用RDDs，
+ 如果你的数据是结构化的(如RDBMS中的数据)或者半结构化的(如日志)，出于性能和优化上的考虑，建议使用DataFrame。
### 2.3 DataSet
在上一小节中，我们提到了Dataset这个概念，这里做一下解释：
Dataset是分布式的数据集合，在Spark 1.6版本被引入。它集成了RDD和Spark SQL的优点，具备强类型，完善的lambda函数和执行引擎优化等特点，支持Scala和Java语言。在Spark 2.0后，为了方便开发者，Spark将DataFrame和Dataset的API融合到一起，提供一致性API，即用户可以通过一套标准API完成对两者的操作。
> 这里注意一下：DataFrame被标记为Untyped API，而DataSet被标记为Typed API，后文会对两者做出解释。
### 2.4 静态类型与运行时类型安全
静态类型(Static-typing)与运行时类型安全(runtime type-safety) 主要表现如下:
在实际使用中，如果你用的是Spark SQL的查询语句，则直到运行时你才会发现有语法错误，而如果你用的是DataFrame和 Dataset，则在编译时就可以发现错误(这节省了开发时间和整体代价)。DataFrame和Dataset主要区别在于：
在DataFrame中，当你调用了API之外的函数，编译器就会报错，但如果你使用了一个不存在的字段名字，编译器依然无法发现。而在Dataset中，因为其API都是用lambda函数和JVM类型对象表示的，所有不匹配的类型参数在编译时就会被发现。
以上这些最终都被解释成关于类型安全图谱，对应开发中的语法和分析错误。在图谱中，Dataset最严格，但对于开发者来说效率最高。
上面的描述可能并没有那么直观，下面的给出一个IDEA中代码编译的示例：
这里一个可能的疑惑是DataFrame明明是有确定的Scheme结构(即列名、列字段类型都是已知的)，但是为什么还是无法对列名进行推断和错误判断，这是因为DataFrame是Untyped的。
### 2.5 Untyped & Typed
在2.3小节，我们介绍过DataFrame API被标记为Untyped API，而DataSet API被标记为Typed API。
DataFrame的Untyped是相对于语言(或API)层面而言，它确实有明确的Scheme结构，即列名，列类型都是确定的，但这些信息完全由Spark来维护，Spark只会在运行时检查这些类型和指定类型是否一致。这也就是为什么在Spark 2.0之后，官方推荐把DataFrame看做是`DatSet[Row]`，Row是spark中定义的一个`trait`，其子类中封装了列字段的信息。
相对而言，DataSet是Typed的，即强类型。如下面代码，dataSet的类型由case class(scala)或者Java bean(Java)来明确指定的，在这里即每一行数据代表一个`Person`，这些信息由JVM来保证正确性，所以字段名错误和类型错误在编译的时候就会被IDE发现。
```scala
case class Person(name: String, age: Long)
val dataSet: Dataset[Person] = spark.read.json("people.json").as[Person]
```
## 三、DataFrame & DataSet & RDDs 总结
这里对三者做一下简单的总结：
+ RDDs适合非结构化数据的处理，而DataFrame & DataSet更适合结构化数据和半结构化的处理；
+ DataFrame & DataSet可以通过统一的Dataset API进行访问，而RDDs则更适合函数式编程的场景；
+ 相比于DataFrame而言，DataSet是强类型的(Typed)，有着更为严格的静态类型检查；
+ DataSets、DataFrames、SQL的底层都依赖了RDDs API，并对外提供结构化的访问接口。
## 四、Spark SQL的运行原理
对于结构化APIs(DataFrames & DataSets & SQL)，其实际执行流程都是相同的：
1. 进行DataFrame/Dataset/SQL编程；
2. 如果是有效的代码，即代码没有编译错误，Spark 将其转换为一个逻辑计划；
3. Spark 将此逻辑计划转换为物理计划，同时进行代码优化；
4. Spark 然后在集群上执行这个物理计划(基于 RDD 操作) 。
### 4.1 逻辑计划(Logical Plan)
执行的第一个阶段是将用户代码转换成一个逻辑计划。它首先将用户代码转换成unresolved logical plan(未解决的逻辑计划)，之所以这个计划是未解决的，是因为尽管您的代码在语法上是正确的，但是它引用的表或列可能不存在。 Spark使用analyzer(分析器)基于catalog(存储的所有表和DataFrame信息)进行解析。解析失败则拒绝执行，解析成功则将结果传给Catalyst优化器(Catalyst Optimizer)，优化器是一组规则的集合，用于优化逻辑计划，通过谓词下推等方式进行优化，最终输出优化后的逻辑执行计划。
### 4.2 物理计划(Physical Plan)
在得到优化后的逻辑计划后，Spark就开始了物理计划过程。 它如何通过生成不同的物理执行策略，并通过成本模型来比较它们，从而选择一个最优的物理计划在集群上面执行的。物理规划的输出结果是一系列的RDDs和转换关系(transformations)。
### 4.3 执行
在选择一个物理计划后，Spark运行其RDDs代码，并在运行时执行进一步的优化，生成本地Java字节码，最后将运行结果返回给用户。
## 参考资料
1. Matei Zaharia, Bill Chambers . Spark: The Definitive Guide[M] . 2018-02
2. [Spark SQL, DataFrames and Datasets Guide](https://spark.apache.org/docs/latest/sql-programming-guide.html)
3. [且谈 Apache Spark 的 API 三剑客：RDD、DataFrame 和 Dataset(译文)](https://www.infoq.cn/article/three-apache-spark-apis-rdds-dataframes-and-datasets)
4. [A Tale of Three Apache Spark APIs: RDDs vs DataFrames and Datasets(原文)](https://databricks.com/blog/2016/07/14/a-tale-of-three-apache-spark-apis-rdds-dataframes-and-datasets.html)
