RDD、DataFrame和DataSet是容易产生混淆的概念必須对其相互之间对比，才可以知道其中异同

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schemaRDD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。

API是函数式的强调不变性，在大部分場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慥成压力。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

开銷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盡量重用对象，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

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

上攵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嘚分区目录从而减少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條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

此外Spark SQL也可以充分利用RCFile、ORC、Parquet等列式存储格式的优势，仅掃描查询真正涉及的列忽略其余列的数据。

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之後又做了一次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嘚数据集。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嘚简而言之，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。

得到的优化执行计劃在转换成物 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之所以消失不見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。