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?