(Spark) Resilient Distribute Dataset

스파크에서 가장 기본이 되는 데이터 객체

특징

• 불변성(immutable): 읽기 전용
• 복원성(resilient): 장애 내성
• 분산성(distributed): 노드 한 개 이상에 저장된 데이터셋

데이터 저장 형태

• 데이터프레임과 달리 여러 타입의 데이터 형태 저장 가능
  • Int, Char, Bool 등의 개별 데이터
  • List, Array 등의 데이터 컬렉션
  • Scala/Java 등의 객체

데이터프레임과의 차이

• RDD는 반정형 데이터 또한 처리 가능
  • 엄격한 Schema를 요구하지 않음
  • select, where 등 SQL-like 문법 사용 불가
• RDD가 Dataframe, Dataset의 기반이 되는 객체
  • RDD를 이용해 Dataframe, Dataset을 만들 수 있음
  • RDD를 직접 사용할 경우 Catalyst Optimizer 사용 불가