问题描述
以 Dataframe API 格式编写代码而不是 Spark.sql 查询是否有任何显着优势?
想知道 Catalyst 优化器是否也会处理 spark.sql 查询。
解决方法
您的数据帧转换和 spark sql 查询无论如何都会被转换为执行计划,Catalyst 会对其进行优化。
dataframe api的主要优点是你可以使用dataframe优化函数,例如:cache()
,一般情况下你会对执行计划有更多的控制。
我觉得测试你的代码也更容易,人们倾向于编写 1 个巨大的查询......
,Spark SQL、Scala Dataframe 和 PySpark Dataframe api 的优化器是相同的。
,无论您使用 DataFrame API 还是 Spark Sql API 编写代码,在性能方面都没有显着差异,因为 dataframe api 和 spark sql api 都是 RDD(弹性分布式数据集)之上的抽象。
Catalyst Optimizer 优化了结构化查询——用 SQL 或通过 DataFrame/Dataset API 表达——这可以减少程序的运行时间并节省成本。
为了回答您的问题,Catalyst Optimizer 适用于 Spark sql 以及 Dataframe/Dataset Apis。
如果您想更详细地了解内部及其工作原理,可以查看这篇文章,其中详细解释了它。
https://unraveldata.com/resources/catalyst-analyst-a-deep-dive-into-sparks-optimizer/