前言

本文隶属于专栏《1000个问题搞定大数据技术体系》，该专栏为笔者原创，引用请注明来源，不足和错误之处请在评论区帮忙指出，谢谢！

本专栏目录结构和参考文献请见1000个问题搞定大数据技术体系

正文

若需处理的数据集是典型结构化数据源，可在 Spark 程序中引入 Spark SQL 模块，

首先读取待处理数据并将其转化为 Spark SQL 的核心数据抽象 - DataFrame ，

进而调用 Dataframe API 来对数据进行分析处理，也可以将 DataFrame 注册成表，直接使用 SQL 语句在数据表上进行交互式查询。

当计算结果时， Spark 底层会使用相同的执行引擎，独立于用来表达计算的 API 编程语言(目前 Spark SQL 主要支持 Scala 、 Python 、 Java 、 R )，

所以开发者可以选择 Scala 、 Python、Java 、 R 中较自己更顺手的编程语言进行 Spark SQL 学习、开发

另外，相比于 RDD ， Spark SQL 模块的数据抽象( DataFrame )不仅提供了更加丰富的算子操作，还清楚地知道该数据集包含哪些列，每一列数据的名称、类型，

并将这些结构信息 ( Schema ) 运用在底层计算、存储和优化中，从而在程序员并没有显式调优的情况下， Spark SQL 模块也会自动根据 DataFrame 提供的结构信息来减少数据读取、提升执行效率以及对执行计划进行优化。

除了 Spark SQL 模块内部自动对计算过程进行丰富、智能地调优外，我们也可以通过手动设置诸多 Spark 应用运行时的参数来更好地配合 Spark 集群 cpu 、内存可用资源以及业务需求等实际情况，进而提升 Spark 应用的执行效率以及整个 Spark 集群的健康有效地运行。