Spark1.6 DataSets简介

Apache Spark提供了强大的API，以便使开发者为使用复杂的分析成为了可能。通过引入SparkSQL，让开发者可以使用这些高级API接口来从事结构化数据的工作（例如数据库表，JSON文件)，并提供面向对象使用RDD的API，开发只需要调用相关 的方法便可使用spark来进行数据的存储与计算。那么Spark1.6带给我们了些什么牛逼的东西呢？ 额。。。

Spark1.6提供了关于DateSets的API,这将是Spark在以后的版本中的一个发展趋势，就如同DateFrame，DateSets提供了一个有利于Spark Catalyst optimizer 以及数据字段查询的分析优化，并支持更加快速的内存编码。并且数据集扩展了编译时的类型安全检查机制，可以更好地在程序运行前就检查错误。

　 DataSets是一个强类型的、不可变的对象集合，DataSets的API核心是一个新的编码器，改编码器的作用是将JVM的对象与表结构进行转换。使其可以操作序列化的数据及提高了内存的利用率。同时，用户在使用时，发现与一般的RDD的API极其相似，提供了很多相同的功能转换。如下代码，进行文本中单词的拆分。

RDDs:

val lines = sc.textFile("/wikipedia")
val words = lines
  .flatMap(_.split(" "))
  .filter(_ != "")

DataSets:

val lines = sqlContext.read.text("/wikipedia").as[String]
val words = lines
  .flatMap(_.split(" "))
  .filter(_ != "")

同时DataSets也支持聚合操作,比如计算每个单词的出现次数：

RDDs：

val counts = words
    .groupBy(_.toLowerCase)
    .map(w => (w._1, w._2.size))

DataSets:

val counts = words
    .groupBy(_.toLowerCase)
    .count()

通过执行发现DataSets的执行速度要比原生的RDD快很多。同时，如果使用RDD需要开发人员自己去优化并行算法，或者书写方式来达到DataSets的效果。

同时，DataSets API的另一个优势在于减少内存的使用量。Spark能够解析在DataSets中结构化的数据，并在内存中优化结构，将DataSets中的数据缓存起来。同比原生的RDD，要节省相当多的内存空间。