spark 愿景

代码量和可读性

mapreduce 非常多

rdd 精简很多 但不太容易看懂

sql dataframe 更易懂、更简洁


读写:

可以使用自定义数据源实现ETL

案例:将网站数据查询后保存到hive中


写更少代码

select

join

aggregation

filter


schmea推导抽取:可将json文件对应一个表格

关系型数据库创建名称、类型

半结构化数据:可以推断出字段类型

大数据比较脏的,作一定的清理

能够合并不同的schema信息,但是必须兼容的

建议json转成orc或parquet文件,更快

schema合并自动化


可以对schema比较混杂的json,parquet自动推断合并(字段并,类型合并)

表现为一张表


自动分区探测:

表分区通用的优化方式

查询的时候只需要跟上今天的分区()分区的条件(分区的列标识在分区目录上的)

gender=male作为目录名

parquet能够自动推断分区

好处是查某一性别某一国家

1000万数据聚合dataframe大概2s,RDD python 10s,rdd scala 4s

dataframe执行计划,计算在jvm提升

rdd python vm 与jvm需要大量跨进程交换

rdd scala

总体上,dataframe更快

dataframe 封装逻辑计划

为什么rdd比dataframe慢?函数式编程,创建很多对象

dataframe 尽可能使用已有对象

可以从分利用spark sql内部的特性,不但代码写得好,而且可读,优化



读更少数据

最快:忽略它

并非对所有数据熟视无睹,根据适当条件进行过滤;

能帮我们自动读更少数据:

列式存储,仅仅扫描需要的列(pqrquet,orc)

分区剪枝,日志表(who when what 记录操作日志,按照时间分区)

对于一些存储格式(如列式):存储每块数据统计信息,最大值,最小值

支持条件(predicate)下压到数据源,从数据源段进行筛选

优化:(列式存储,分支裁剪,条件下压)

列式存储到底是什么样的呢?

row a1,b1,c2 a2,b2,c2 ...

col

a1,a2,a3..==>encoding chunk 

b1,b2,b3 ==>encoding chunk



底层优化

如何进行优化的呢?






评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值