Spark  SQL是Spark用于结构化数据(structured data)处理的Spark模块。

二、Hive and SparkSQL

 SparkSQL的前身是Shark，给熟悉RDBMS但又不理解 MapReduce 的技术人员提供快速上手的工具。

 Hive是早期唯一运行在 Hadoop 上的SQL-on-Hadoop工具。 但是MapReduce计算过程中大量的中间磁盘落地过程消耗了大量的I/O，降低的运行效率，为了提高SQL-on-Hadoop的效率，大量的SQL-on-Hadoop工具开始产生，其中表现较为突出的是：

SQL-on-Hadoop工具开始产生，其中表现较为突出的是：

• Drill

• Impala

• Shark

其中Shark是伯克利实验室Spark生态环境的组件之一，是基于Hive所开发的工具，它修改了下图所示的右下角的内存管理、物理计划、执行三个模块，并使之能运行在Spark引擎上。

SparkSQL抛弃原有Shark的代码，汲取了Shark的一些优点，如内存列存储（In-Memory Columnar Storage）、Hive兼容性等，重新开发了SparkSQL代码；由于摆脱了对Hive的依赖性，SparkSQL无论在数据兼容、性能优化、组件扩展方面都得到了极大的方便，真可谓“退一步，海阔天空”。

• 数据兼容方面 SparkSQL不但兼容Hive，还可以从RDD、parquet文件、JSON文件中获取数据，未来版本甚至支持获取RDBMS数据以及cassandra等NOSQL数据；

• 性能优化方面 除了采取In-Memory Columnar Storage、byte-code generation等优化技术外、将会引进Cost Model对查询进行动态评估、获取最佳物理计划等等；

组件扩展方面 无论是SQL的语法解析器、分析器还是优化器都可以重新定义，进行扩展。

三.SparkSQL 优点：

无缝的整合了 SQL 查询和 Spark 编程

3.2 统一的数据访问

3.3 兼容Hive

3.4 标准数据连接

五。

———

DataSet是什么

DataSet是分布式数据集合。DataSet是Spark 1.6中添加的一个新抽象，是DataFrame的一个扩展。它提供了RDD的优势（强类型，使用强大的lambda函数的能力）以及Spark SQL优化执行引擎的优点。

DataSet也可以使用功能性的转换（操作map，flatMap，filter等等）。

• DataSet是DataFrame API的一个扩展，是SparkSQL最新的数据抽象

• 用户友好的API风格，既具有类型安全检查也具有DataFrame的查询优化特性；

• 用 样例类来对DataSet中定义数据的结构信息，样例类中每个属性的名称直接映射到DataSet中的字段名称；
• DataSet是 强类型的。比如可以有DataSet[Car]，DataSet[Person]。

DataFrame是DataSet的特列，DataFrame=DataSet[Row]，所以可以通过as方法将DataFrame转换为DataSet。Row是一个类型，跟Car、Person这些的类型一样，所有的表结构信息都用Row来表示。获取数据时需要指定顺序

https://blog.csdn.net/mengxianglong123/article/details/121392689