SparkSQL和Hive的异同

Hive和Spark 均是：“分布式SQL计算引擎”

均是构建大规模结构化数据计算的绝佳利器，同时SparkSQL拥有更好的性能。

目前，企业中使用Hive仍旧居多，但SparkSQL将会在很近的未来替代Hive成为分布式SQL计算市场的顶级

SparkSQL的数据抽象

回顾Pandas和SparkSQL的数据抽象

Pandas - DataFrame

· 二维表数据结构

· 单机（本地）集合

SparkCore - RDD

· 无标准数据结构，存储什么数据均可

· 分布式集合（分区）

SparkSQL - DataFrame

· 二维表数据结构

· 分布式集合（分区）

SparkSQL 其实有3类数据抽象对象

· SchemaRDD对象（已废弃）

· DataSet对象：可用于Java、Scala语言

· DataFrame对象：可用于Java、Scala、Python、R

我们以Python开发SparkSQL，主要使用的就是DataFrame对象作为核心数据结构

在SparkSQL当中，Spark为我们提供了两个操作SparkSQL的抽象，分别是DataFrame和DataSet。也就是说我们操作SparkSQL一般都是使用DataFrame或者DataSet来实现的。

RDD(Spark1.0)  ==>  DataFrame(1.3)   ==>  DataSet(1.6)