DataFrame是spark1.3之后引入的分布式集合，DataSet是spark1.6之后引入的分布式集合。在spark2.0之后，DataFrame和DataSet的API统一了，DataFrame是DataSet的子集（DataSet[Row]），DataSet是DataFrame的扩展。

 

DataFrame

DataFrame的数据都被组织到有名字的列中，就像关系型数据库中的表一样。它既包含数据结构信息schema，又包含数据。它除了提供与RDD类似的API之外，还提供了spark sql支持，方便了数据处理操作。

DataFrame是DataSet[Row]的别名，它存放的是一行记录，如果给它指定了schema，它才知道这一行里包含哪些列，而且要自己解析字符串，才能知道每一列的值。它不是强类型检查的，可能会出现运行时错误。

DataSet

DataSet结构跟DataFrame一样，但它是强类型的，它包含的每一个元素已由case class定义，每一个属性的类型都是确定的，在编译阶段检查。它也支持spark sql。

 

DataSet和DataFrame使用场景

DataFrame 和 Dataset API 都是基于 Spark SQL 引擎构建的，它使用 Catalyst 来生成优化后的逻辑和物理查询计划，因而会获得空间和速度上的效率。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，把大结果集先过滤处理成小结果集，然后再做join之类的操作。

那么什么时候需要使用DataSet或者DataFrame，而不是RDD呢？

• 如果你需要丰富的语义、高级抽象和特定领域专用的 API，那就使用 DataFrame 或 Dataset；
• 如果你的处理需要对半结构化数据进行高级处理，如 filter、map、aggregation、average、sum、SQL 查询、列式访问或使用 lambda 函数，那就使用 DataFrame 或 Dataset；
• 如果你想在编译时就有高度的类型安全，想要有类型的 JVM 对象，用上 Catalyst 优化，那就使用 Dataset；
• 如果你想在不同的 Spark 库之间使用一致和简化的 API，那就使用 DataFrame 或 Dataset；

在使用DataSet或者DataFrame的时候，需要导入包import spark.implicits._，这个导入代码要写在方法体里，并且是下面这个变量之后。

val spark=  SparkSession.builder()
                .appName("Test")
                .config(conf)
                .getOrCreate()

RDD vs DataFrame vs DataSet

RDD、DataFrame、DataSet相互转换

待补充