1. 三者共性：

1、RDD、DataFrame、Dataset全都是spark平臺下的分散式彈性資料集，為處理超大型資料提供便利
2、三者都有惰性機制，執行trainform操作時不會立即執行，遇到Action才會執行
3、三者都會根據spark的記憶體情況自動快取運算，這樣即使資料量很大，也不用擔心會記憶體溢位
4、三者都有partition的概念，如

var predata=data.repartition(24).mapPartitions{
      PartLine => {
        PartLine.map{
          line
 
 =>
             println(“轉換操作”)
                            }
                         }
} 

這樣對每一個分割槽進行操作時，就跟在運算元組一樣，不但資料量比較小，而且可以方便的將map中的運算結果拿出來，如果直接用map，map中對外面的操作是無效的，如

val rdd=spark.sparkContext.parallelize(Seq(("a", 1), ("b", 1), ("a", 1)))
    var flag=0
    val test=rdd.map{line=>
      println("執行"
 
)
      flag+=1
      println(flag)
      line._1
    }
println(test.count)
println(flag)
    /**
    執行
    1
    執行
    2
    執行
    3
    3
    0
   * */

不使用partition時，對map之外的操作無法對map之外的變數造成影響
5、三者有許多共同的函式，如filter，排序等
6、在對DataFrame和Dataset進行操作許多操作都需要這個包進行支援

import SparkSession.implicits._

7、DataFrame和Dataset均可使用模式匹配獲取各個欄位的值和型別，為了提高穩健性，最好後面有一個_通配操作，這裡提供了DataFrame一個解析欄位的方法
DataFrame:

testDF.map{
      case Row(col1:String,col2:Int)=>
        println(col1);println(col2)
        col1
      case _=>
        ""
    }

Dataset:

case class Coltest(col1:String,col2:Int)extends Serializable //定義欄位名和型別
    testDS.map{
      case Coltest(col1:String,col2:Int)=>
        println(col1);println(col2)
        col1
      case _=>
        ""
    }

2. 對比：

2.1 RDD：

1、RDD一般和spark mlib同時使用
2、RDD不支援sparksql操作

2.2 DataFrame和Dataset相同點:

1、DataFrame與Dataset一般與spark ml同時使用
2、DataFrame與Dataset均支援sparksql的操作，比如select，groupby之類，還能註冊臨時表/視窗，進行sql語句操作，如

dataDF.createOrReplaceTempView("tmp")
spark.sql("select  ROW,DATE from tmp where DATE is not null order by DATE").show(100,false)

3、DataFrame與Dataset支援一些特別方便的儲存方式，比如儲存成csv，可以帶上表頭，這樣每一列的欄位名一目瞭然

//儲存
val saveoptions = Map("header" -> "true", "delimiter" -> "\t", "path" -> "hdfs://172.xx.xx.xx:9000/test")
datawDF.write.format("com.databricks.spark.csv").mode(SaveMode.Overwrite).options(saveoptions).save()
//讀取
val options = Map("header" -> "true", "delimiter" -> "\t", "path" -> "hdfs://172.xx.xx.xx:9000/test")
val datarDF= spark.read.options(options).format("com.databricks.spark.csv").load()

利用這樣的儲存方式，可以方便的獲得欄位名和列的對應，而且分隔符（delimiter）可以自由指定

2.3 DataFrame和Dataset不同點:

這裡主要對比Dataset和DataFrame，因為Dataset和DataFrame擁有完全相同的成員函式，區別只是每一行的資料型別不同
1）DataFrame也可以叫Dataset[Row],dataframe每一行的型別是Row（不解析的話無法得知每一行的欄位名和對應的欄位型別）
拿出dataframe行中特定欄位的方法有兩個：

getAS方法

testDF.foreach{
  line =>
    val col1=line.getAs[String]("col1")
    val col2=line.getAs[String]("col2")
}

模式匹配

testDF.map{
      case Row(col1:String,col2:Int)=>
        println(col1);println(col2)
        col1
      case _=>
        ""
    }

2） Dataset中，每一行是什麼型別是不一定的，在自定義了case class之後可以很自由的獲得每一行的資訊（可以定義欄位名和型別）

case class Coltest(col1:String,col2:Int)extends Serializable //定義欄位名和型別
/**
      rdd
      ("a", 1)
      ("b", 1)
      ("a", 1)
      * */
val test: Dataset[Coltest]=rdd.map{line=>
      Coltest(line._1,line._2)
    }.toDS
test.map{
      line=>
        println(line.col1)
        println(line.col2)
    }

可以看出，Dataset在需要訪問列中的某個欄位時是非常方便的，然而，如果要寫一些適配性很強的函式時，如果使用Dataset，行的型別又不確定，可能是各種case class，無法實現適配，這時候用DataFrame即Dataset[Row]就能比較好的解決問題

3. 轉化：

RDD、DataFrame、Dataset三者有許多共性，有各自適用的場景常常需要在三者之間轉換

DataFrame/Dataset轉RDD：

val rdd1=testDF.rdd
val rdd2=testDS.rdd

RDD轉DataFrame：

import spark.implicits._
val testDF = rdd.map {line=>
      (line._1,line._2)
    }.toDF("col1","col2")

一般用元組把一行的資料寫在一起，然後在toDF中指定欄位名

RDD轉Dataset：

import spark.implicits._
case class Coltest(col1:String,col2:Int)extends Serializable //定義欄位名和型別
val testDS = rdd.map {line=>
      Coltest(line._1,line._2)
    }.toDS

可以注意到，定義每一行的型別（case class）時，已經給出了欄位名和型別，後面只要往case class裡面新增值即可

Dataset轉DataFrame：

這個也很簡單，因為只是把case class封裝成Row

import spark.implicits._
val testDF = testDS.toDF

DataFrame轉Dataset：

import spark.implicits._
case class Coltest(col1:String,col2:Int)extends Serializable //定義欄位名和型別
val testDS = testDF.as[Coltest]

這種方法就是在給出每一列的型別後，使用as方法，轉成Dataset，這在資料型別是DataFrame又需要針對各個欄位處理時極為方便

參考資料：http://www.cnblogs.com/starwater/p/6841807.html

公眾號：大叔據 。

評論不能及時回覆可直接加公眾號提問或交流，知無不答，謝謝 。