rdd、dataframe和dataset是容易产生混淆的概念，必须对其相互之间对比，才可以知道其中异同。
rdd和dataframe
rdd-dataframe
上图直观地体现了dataframe和rdd的区别。左侧的rdd[person]虽然以person为类型参数，但spark框架本身不了解 person类的内部结构。而右侧的dataframe却提供了详细的结构信息，使得spark sql可以清楚地知道该数据集中包含哪些列，每列的名称和类型各是什么。dataframe多了数据的结构信息，即schema。rdd是分布式的 java对象的集合。dataframe是分布式的row对象的集合。dataframe除了提供了比rdd更丰富的算子以外，更重要的特点是提升执行效率、减少数据读取以及执行计划的优化，比如filter下推、裁剪等。
提升执行效率
rdd api是函数式的，强调不变性，在大部分场景下倾向于创建新对象而不是修改老对象。这一特点虽然带来了干净整洁的api，却也使得spark应用程序在运行期倾向于创建大量临时对象，对gc造成压力。在现有rdd api的基础之上，我们固然可以利用mappartitions方法来重载rdd单个分片内的数据创建方式，用复用可变对象的方式来减小对象分配和gc的开销，但这牺牲了代码的可读性，而且要求开发者对spark运行时机制有一定的了解，门槛较高。另一方面，spark sql在框架内部已经在各种可能的情况下尽量重用对象，这样做虽然在内部会打破了不变性，但在将数据返回给用户时，还会重新转为不可变数据。利用 dataframe api进行开发，可以免费地享受到这些优化效果。
减少数据读取
分析大数据，最快的方法就是 ——忽略它。这里的“忽略”并不是熟视无睹，而是根据查询条件进行恰当的剪枝。
上文讨论分区表时提到的分区剪 枝便是其中一种——当查询的过滤条件中涉及到分区列时，我们可以根据查询条件剪掉肯定不包含目标数据的分区目录，从而减少io。
对于一些“智能”数据格 式，spark sql还可以根据数据文件中附带的统计信息来进行剪枝。简单来说，在这类数据格式中，数据是分段保存的，每段数据都带有最大值、最小值、null值数量等 一些基本的统计信息。当统计信息表名某一数据段肯定不包括符合查询条件的目标数据时，该数据段就可以直接跳过(例如某整数列a某段的最大值为100，而查询条件要求a > 200)。
此外，spark sql也可以充分利用rcfile、orc、parquet等列式存储格式的优势，仅扫描查询真正涉及的列，忽略其余列的数据。
执行优化
人口数据分析示例
为了说明查询优化，我们来看上图展示的人口数据分析的示例。图中构造了两个dataframe，将它们join之后又做了一次filter操作。如果原封不动地执行这个执行计划，最终的执行效率是不高的。因为join是一个代价较大的操作，也可能会产生一个较大的数据集。如果我们能将filter 下推到 join下方，先对dataframe进行过滤，再join过滤后的较小的结果集，便可以有效缩短执行时间。而spark sql的查询优化器正是这样做的。简而言之，逻辑查询计划优化就是一个利用基于关系代数的等价变换，将高成本的操作替换为低成本操作的过程。
得到的优化执行计划在转换成物 理执行计划的过程中，还可以根据具体的数据源的特性将过滤条件下推至数据源内。最右侧的物理执行计划中filter之所以消失不见，就是因为溶入了用于执行最终的读取操作的表扫描节点内。
对于普通开发者而言，查询优化 器的意义在于，即便是经验并不丰富的程序员写出的次优的查询，也可以被尽量转换为高效的形式予以执行。
rdd和dataset
dataset以catalyst逻辑执行计划表示，并且数据以编码的二进制形式被存储，不需要反序列化就可以执行sorting、shuffle等操作。
dataset创立需要一个显式的encoder，把对象序列化为二进制，可以把对象的scheme映射为sparksql类型，然而rdd依赖于运行时反射机制。
通过上面两点，dataset的性能比rdd的要好很多。
dataframe和dataset
dataset可以认为是dataframe的一个特例，主要区别是dataset每一个record存储的是一个强类型值而不是一个row。因此具有如下三个特点：
dataset可以在编译时检查类型
并且是面向对象的编程接口。用wordcount举例：
后面版本dataframe会继承dataset，dataframe是面向spark sql的接口。
dataframe和dataset可以相互转化， df.as[elementtype] 这样可以把dataframe转化为dataset， ds.todf() 这样可以把dataset转化为dataframe。
本文作者：jacksu
来源：51cto