在 Spark SQL 中，Schema Merge 这个概念具体指什么？请说明它在数据处理流程中承担的功能。

回答思路

1. 【回答框架 1】Schema Merge 指的是在读取具有不同结构但部分相同的数据文件（如 Parquet、JSON 等）时，Spark SQL 自动将这些文件的字段合并为一个统一的 schema 的能力。它主要适用于同一目录下存储的多个文件，其 schema 随时间演变或存在差异的情况。
2. 【回答框架 2】在数据处理中，Schema Merge 的核心作用是支持 schema 演化和数据兼容性。通过合并，Spark 能够读取包含新增加字段的文件，并将缺失字段的值设为 null，同时保留所有非重复字段，从而提升数据湖等场景中增量数据的处理能力。
3. 【回答框架 3】该功能在 Parquet 数据源中默认开启，而 JSON 数据源则需要显式配置。使用时需要权衡其性能开销，因为合并操作需要扫描所有文件的元数据，可能降低读取速度，因此在 schema 固定且无演化需求的场景下，建议关闭该功能以提升效率。
4. 【回答框架 4】在实践应用中，Schema Merge 常与嵌套结构（如 struct、array）配合使用，能够递归合并复杂类型。但需要注意字段类型冲突的处理，当同名字段类型不一致时，合并可能导致类型转换或读取错误。
5. 【回答框架 5】对于关键业务，建议采用显式的 schema 管理策略，如在写入时统一规范字段，并利用工具记录 schema 版本，避免依赖自动合并带来的未知风险。这样既能保证数据质量，也能减少不必要的计算开销。
6. 【关键点 1】Schema Merge 允许统一读取结构不同的文件，补齐缺失字段为 null。
7. 【关键点 2】它支持 schema 演化，有利于数据湖场景下的增量数据处理。
8. 【关键点 3】Parquet 数据源默认启用，JSON 数据源需手动配置；合并操作有性能开销。
9. 【易错点 1】不能忽略合并过程带来的性能损耗，尤其在大规模文件场景下。
10. 【易错点 2】同名字段存在不兼容类型时，合并可能出错，需提前定义好字段类型规范。