一.spark简介
spark是基于内存运算的大数据分布式并行计算框架，本身具有丰富的API，可实现与HDFS、HBase、Hive、Kafka、Elasticsearch、Druid等组件的交互，同时也是优秀的MapReduce替代方案。
spark卓越的计算性能得意于其核心的分布式数据架构：RDD和DataFrame。
1、RDD
RDD（Resilient Distributes Dataset）, 是spark中最基础、最常用的数据结构。其本身封装了作业中input data数据，并以分区方式分布在内存或者磁盘上的Block中。但实质上RDD对象是一个元数据结构，存储着Block、Node映射关系等元数据信息。
RDD常规去重算子：
2、DataFrame
DataFrame是一种以RDD为基础的分布式数据集，具有schema元数据信息，即标注了DataFrame中每一列名称和类型，能够大幅提升Transform、Action的计算效率。
DataFrame常规去重算子：
3、RDD与DataFrame对比
二.选择去重
接下来，大数据有道将和大家一起学习一下spark RDD和DataFrame选择去重的技巧。
1、原始数据
江南皮革厂订单数据（input），需要指出“original_price”和real_pay对应double类型、“create_time”和“modify_time”为long类型。
源数据预处理：
为了方便对每条订单进行提取和计算，作业中封装了订单对象RiveSouthOrder：
2、RDD选择去重
a.选择去重代码（scala）：
b.执行日志：
c.计算结果：
d.逻辑解析：
***部分，加载源数据并封装到RiveSouthOrder样例类中，生成RDD；
第二部分，首先通过groupBy对order_id数据做分组后生成RDD[(String, Iterable[RiveSouthOrder])]对象（[K,V]结构），随即使用map对每个Key（order_id）下多组记录（Iterable[RiveSouthOrder]）进行reduce操作（maxBy），***在maxBy算子传入一个字面量函数（也可写为x=>x.modify_time），即提取该order_id下每条记录中的modify_time进行比对，然后选出***时间记录（maxBy为高阶函数，依赖reduceLeft实现）；
第三部分，toDebugString方法打印RDD转换过程，***值得注意collect才是真正触发一系列运算的源头。
3、DataFrame选择去重
a.选择去重代码（scala）：
b.执行日志：
c.计算结果：
d.逻辑解析：
***部分，引入依赖和隐式转换，分别对应DataFrame类型识别、使用sql格式的$"modify_time"和row_number()+Window()函数的使用；
第二部分，加载源数据，由于源数据由RiveSouthOrder封装，可直接toDF；
第三部分，首先使用withColumn方法添加Num字段，Num是由row_number()+Window()+orderBy()实现（原理同Hive sql），原则是根据modify_time对每个order_id分区下的订单进行降序排序，接着使用where做过滤（也可使用filter），***drop掉不再使用的Num字段；
第四部分，通过explain打印dataFrame的物理执行过程，show方法作为action算子触发了以上的系列运算。
三.归纳总结
spark RDD和DataFrame均提供了丰富的API接口，极大的提升了开发效率和计算性能；
RDD的计算更倾向于map和reduce方式，而DataFrame含有schema元信息更容易与sql计算方式相结合；
RDD选择去重使用了groupBy+maxBy方法，一气呵成；DataFrame则使用row_number+window+orderBy方法，逻辑清晰；两者处理方式所展现的spark函数式编程的精妙之处都值得探索和学习。
