Spark Dataset 相对于 DataFrame 的劣势

Question

我知道Dataset的优点（类型安全等），但我找不到任何与Spark 数据集限制相关的文档。

是否有不推荐使用 Spark Dataset而最好使用DataFrame特定场景。

目前我们所有的数据工程流程都使用 Spark (Scala) DataFrame 。 我们希望将Dataset用于我们所有的新流程。 因此，了解Dataset所有限制/缺点将对我们有所帮助。

编辑：这与Spark 2.0 Dataset vs DataFrame 不同，它解释了对 Dataframe/Dataset 的一些操作。 或其他问题，其中大多数解释了 rdd、数据框和数据集之间的差异以及它们是如何演变的。 这是旨在了解何时不使用数据集

Answer 1

在某些情况下，我发现 Dataframe（或 Dataset[Row]）比类型化数据集更有用。

例如，当我使用没有固定模式的数据时，例如 JSON 文件包含具有不同字段的不同类型的记录。 使用 Dataframe，我可以轻松地“选择”出我需要的字段，而无需知道整个架构，甚至可以使用运行时配置来指定我将访问的字段。

另一个考虑是 Spark 可以比 UDAF 和自定义 lambda 更好地优化内置的 Spark SQL 操作和聚合。 因此，如果您想获得列中某个值的平方根，那是 Spark SQL 中的内置函数（ df.withColumn("rootX", sqrt("X")) ），但在 lambda（ ds.map(X => Math.sqrt(X)) ) 的效率会降低，因为 Spark 无法有效地优化您的 lambda 函数。

还有许多非类型化的 Dataframe 函数（如统计函数）是为 Dataframes 而不是类型化的 Datasets 实现的，你经常会发现，即使你从一个 Dataset 开始，当你完成聚合时剩下一个 Dataframe，因为这些函数通过创建新列、修改数据集的架构来工作。

一般来说，除非您有充分的理由，否则我认为您不应该从工作数据帧代码迁移到类型化数据集。 从 Spark 2.4.0 开始，许多 Dataset 功能仍被标记为“实验性”，并且如上所述，并非所有 Dataframe 功能都具有 Dataset 等效项。

Answer 2

Spark 数据集的局限性：

1. 数据集过去性能较差（不确定是否已修复）
2. 每次更改Dataset schema时都需要定义一个新的case类，比较麻烦
3. 数据集提供的类型安全性没有你想象的那么高。 我们可以向reverse函数传递一个日期对象，它会返回一个垃圾响应而不是出错。

import java.sql.Date

case class Birth(hospitalName: String, birthDate: Date)

val birthsDS = Seq(
  Birth("westchester", Date.valueOf("2014-01-15"))
).toDS()
birthsDS.withColumn("meaningless", reverse($"birthDate")).show()

+------------+----------+-----------+
|hospitalName| birthDate|meaningless|
+------------+----------+-----------+
| westchester|2014-01-15| 51-10-4102|
+------------+----------+-----------+