Spark 系列（八）—— Spark SQL 之 DataFrame 和 Dataset
一、Spark SQL簡介
Spark SQL 是 Spark 中的一個子模組，主要用於操作結構化資料。它具有以下特點：
- 能夠將 SQL 查詢與 Spark 程式無縫混合，允許您使用 SQL 或 DataFrame API 對結構化資料進行查詢；
- 支援多種開發語言；
- 支援多達上百種的外部資料來源，包括 Hive，Avro，Parquet，ORC，JSON 和 JDBC 等；
- 支援 HiveQL 語法以及 Hive SerDes 和 UDF，允許你訪問現有的 Hive 倉庫；
- 支援標準的 JDBC 和 ODBC 連線；
- 支援優化器，列式儲存和程式碼生成等特性；
- 支援擴充套件並能保證容錯。
二、DataFrame & DataSet
2.1 DataFrame
為了支援結構化資料的處理，Spark SQL 提供了新的資料結構 DataFrame。DataFrame 是一個由具名列組成的資料集。它在概念上等同於關係資料庫中的表或 R/Python 語言中的 data frame。 由於 Spark SQL 支援多種語言的開發，所以每種語言都定義了 DataFrame 的抽象，主要如下：
| 語言 | 主要抽象 |
|---|---|
| Scala | Dataset[T] & DataFrame (Dataset[Row] 的別名) |
| Java | Dataset[T] |
| Python | DataFrame |
| R | DataFrame |
2.2 DataFrame 對比 RDDs
DataFrame 和 RDDs 最主要的區別在於一個面向的是結構化資料，一個面向的是非結構化資料，它們內部的資料結構如下：
DataFrame 內部的有明確 Scheme 結構，即列名、列欄位型別都是已知的，這帶來的好處是可以減少資料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？
- 如果你想使用函式語言程式設計而不是 DataFrame API，則使用 RDDs；
- 如果你的資料是非結構化的 (比如流媒體或者字元流)，則使用 RDDs，
- 如果你的資料是結構化的 (如 RDBMS 中的資料) 或者半結構化的 (如日誌)，出於效能上的考慮，應優先使用 DataFrame。
2.3 DataSet
Dataset 也是分散式的資料集合，在 Spark 1.6 版本被引入，它集成了 RDD 和 DataFrame 的優點，具備強型別的特點，同時支援 Lambda 函式，但只能在 Scala 和 Java 語言中使用。在 Spark 2.0 後，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)，即使用者可以通過一套標準的 API 就能完成對兩者的操作。
這裡注意一下：DataFrame 被標記為 Untyped API，而 DataSet 被標記為 Typed API，後文會對兩者做出解釋。
2.4 靜態型別與執行時型別安全
靜態型別 (Static-typing) 與執行時型別安全 (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，則直到執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 主要區別在於：
在 DataFrame 中，當你呼叫了 API 之外的函式，編譯器就會報錯，但如果你使用了一個不存在的欄位名字，編譯器依然無法發現。而 Dataset 的 API 都是用 Lambda 函式和 JVM 型別物件表示的，所有不匹配的型別引數在編譯時就會被發現。
以上這些最終都被解釋成關於型別安全圖譜，對應開發中的語法和分析錯誤。在圖譜中，Dataset 最嚴格，但對於開發者來說效率最高。
上面的描述可能並沒有那麼直觀，下面的給出一個 IDEA 中程式碼編譯的示例：
這裡一個可能的疑惑是 DataFrame 明明是有確定的 Scheme 結構 (即列名、列欄位型別都是已知的)，但是為什麼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 是相對於語言或 API 層面而言，它確實有明確的 Scheme 結構，即列名，列型別都是確定的，但這些資訊完全由 Spark 來維護，Spark 只會在執行時檢查這些型別和指定型別是否一致。這也就是為什麼在 Spark 2.0 之後，官方推薦把 DataFrame 看做是 DatSet[Row]，Row 是 Spark 中定義的一個 trait，其子類中封裝了列欄位的資訊。
相對而言，DataSet 是 Typed 的，即強型別。如下面程式碼，DataSet 的型別由 Case Class(Scala) 或者 Java Bean(Java) 來明確指定的，在這裡即每一行資料代表一個 Person，這些資訊由 JVM 來保證正確性，所以欄位名錯誤和型別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]
複製程式碼三、DataFrame & DataSet & RDDs 總結
這裡對三者做一下簡單的總結：
- RDDs 適合非結構化資料的處理，而 DataFrame & DataSet 更適合結構化資料和半結構化的處理；
- DataFrame & DataSet 可以通過統一的 Structured API 進行訪問，而 RDDs 則更適合函式語言程式設計的場景；
- 相比於 DataFrame 而言，DataSet 是強型別的 (Typed)，有著更為嚴格的靜態型別檢查；
- DataSets、DataFrames、SQL 的底層都依賴了 RDDs API，並對外提供結構化的訪問介面。
四、Spark SQL的執行原理
DataFrame、DataSet 和 Spark SQL 的實際執行流程都是相同的：
- 進行 DataFrame/Dataset/SQL 程式設計；
- 如果是有效的程式碼，即程式碼沒有編譯錯誤，Spark 會將其轉換為一個邏輯計劃；
- Spark 將此邏輯計劃轉換為物理計劃，同時進行程式碼優化；
- Spark 然後在叢集上執行這個物理計劃 (基於 RDD 操作) 。
4.1 邏輯計劃(Logical Plan)
執行的第一個階段是將使用者程式碼轉換成一個邏輯計劃。它首先將使用者程式碼轉換成 unresolved logical plan(未解決的邏輯計劃)，之所以這個計劃是未解決的，是因為儘管您的程式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) 基於 catalog(儲存的所有表和 DataFrames 的資訊) 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，用於優化邏輯計劃，通過謂詞下推等方式進行優化，最終輸出優化後的邏輯執行計劃。
4.2 物理計劃(Physical Plan)
得到優化後的邏輯計劃後，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，並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叢集上面執行的。物理規劃的輸出結果是一系列的 RDDs 和轉換關係 (transformations)。
4.3 執行
在選擇一個物理計劃後，Spark 執行其 RDDs 程式碼，並在執行時執行進一步的優化，生成本地 Java 位元組碼，最後將執行結果返回給使用者。
參考資料
- Matei Zaharia,Bill Chambers . Spark: The Definitive Guide[M] . 2018-02
- Spark SQL,DataFrames and Datasets Guide
- 且談 Apache Spark 的 API 三劍客：RDD、DataFrame 和 Dataset(譯文)
- A Tale of Three Apache Spark APIs: RDDs vs DataFrames and Datasets(原文)
更多大資料系列文章可以參見 GitHub 開源專案： 大資料入門指南