Spark Bewertungen & Produktdetails

Spark ist großartig für die Arbeit mit wirklich großen Datenmengen. Es kann sowohl Batch-Jobs als auch Streaming-Daten verarbeiten und arbeitet mit verschiedenen Dateitypen und Datenquellen. Es ist viel schneller als ältere Systeme, da es Daten im Speicher verarbeiten kann.

Ich mag auch, dass es integrierte Werkzeuge für Datenabfragen, Streaming und sogar maschinelles Lernen hat, sodass man viel tun kann, ohne die Plattform zu wechseln. Bewertung gesammelt von und auf G2.com gehostet.

Spark ist nicht so „einfach“, wie die Leute denken. Wenn es nicht richtig eingerichtet oder optimiert ist, kann es langsam laufen oder teuer im Betrieb sein. Ein kleiner Fehler in der Art und Weise, wie Sie einen Job schreiben oder ausführen, kann alles verlangsamen.

Das Debuggen von Problemen kann Zeit in Anspruch nehmen, und Streaming ist nicht wirklich in Echtzeit; es arbeitet immer noch in kleinen Chargen. Außerdem kann es schwierig sein, die richtige Spark-Version mit anderen Tools in Ihrer Umgebung abzustimmen. Bewertung gesammelt von und auf G2.com gehostet.

Es ist schnell im Vergleich zu Hadoop, da es eine In-Memory-Verarbeitungs-Engine ist. Bewertung gesammelt von und auf G2.com gehostet.

Nichts im Moment, da es sich um eine erweiterte Version des Hadoop-Datenspeichers handelt. Bewertung gesammelt von und auf G2.com gehostet.

Ich habe Spark für die Datenverarbeitung verwendet, und das, was mir am meisten gefällt, ist die Geschwindigkeit. Es verarbeitet große Datenmengen aufgrund der In-Memory-Berechnung, was im Vergleich zu Hadoop MapReduce viel besser ist. Bewertung gesammelt von und auf G2.com gehostet.

Das, was ich an Spark nicht mag, ist, dass die Infrastrukturkosten sehr hoch sind, wenn es darum geht, die Daten in einer Cluster-Umgebung auszuführen. Bewertung gesammelt von und auf G2.com gehostet.

Die Geschwindigkeit von Spark Die Integrationsfunktion von Spark mit benutzerdefinierter Software, mit anderen Werkzeugen. Die Benutzerfreundlichkeit und Anpassungsfähigkeit der Benutzer. Bewertung gesammelt von und auf G2.com gehostet.

Kein Dateisystem zur Verwaltung. Begrenzte Funktionen/Algorithmen. Bewertung gesammelt von und auf G2.com gehostet.

Ich liebe die Geschwindigkeit der Datenverarbeitung. Auch das immense Ökosystem der Integration mit APIs und die enorme Menge an Optimierung im Speicher, die wir dadurch erreichen können. Es ist sehr einfach zu verwenden und zu implementieren mit vielseitigen Datenverarbeitungsansätzen, die wir dadurch erreichen können, und auch der Kundensupport mit Hilfe der Community ist großartig! Bewertung gesammelt von und auf G2.com gehostet.

Es erfordert eine steile Lernkurve, da nicht-technische Personen oder Anfänger es sehr komplex finden können. Wenn die Datenkomplexität groß ist, ist es schwierig, Fehler zu debuggen und im verarbeiteten Big Data zu finden. Es ist nicht geeignet für die Verarbeitung kleiner Datenmengen. Bewertung gesammelt von und auf G2.com gehostet.

Integration mit leistungsstarken Skriptsprachen (Python, Scala und Java).

Verwendung verfügbarer Apache-Datenspeicherdateien zur Entwicklung von ML-Modellen und schnelle Bereitstellung in der Produktion.

Integration mit Knime ermöglichte die codefreie Entwicklung von ETL-Pipelines, und die Zusammenführung mit Apache-Datenspeichern erlaubte es uns, das traditionelle Talent (SQL- und Excel-basiert) schnell zu schulen, um robuste Datenanalysen zu erstellen.

Die Integration der Knime-Plattform mit Spark erforderte keine zusätzliche Rechenleistung, da die gesamte Verarbeitung auf der Spark-Infrastruktur durchgeführt wurde. Bewertung gesammelt von und auf G2.com gehostet.

Von Haus aus hat Spark weniger Algorithmen für ML-Modelle, aber wir können mit anderen Programmiersprachen erweitern, was zusätzlichen Aufwand bei der Implementierung mit Knime erfordert. Bewertung gesammelt von und auf G2.com gehostet.

1. Ich mag das Konzept von RDD in Spark wirklich, da sie unveränderlich sind.

2. Spark bietet viele System-UDFs (out of the box) zum Spielen an.

3. Wir können ein Spark-Problem leicht debuggen, indem wir die Abstammung auf der Spark-UI überprüfen. Bewertung gesammelt von und auf G2.com gehostet.

1. Manchmal treten bei Spark sehr häufig Speicherfehler auf, und ein SIGKILL-Befehl wird von Spark ohne ordnungsgemäße Stack-Trace aufgerufen. Auf diese Weise wird es sehr schwierig, einen Spark-Job zu debuggen. Bewertung gesammelt von und auf G2.com gehostet.

Spark ermöglicht die Verarbeitung sehr großer Datensätze und bearbeitet diese Datensätze auch in relativ schneller Weise.

Spark scheint sich schnell weiterentwickelnde Software zu sein.

Spark ist eine der angesagten Software in der letzten Zeit.

Es ist eine großartige Rechenmaschine zur Lösung komplexer Logiken. Bewertung gesammelt von und auf G2.com gehostet.

Spark scheint bei breiten Daten etwas langsam zu sein.

Spark mangelt es ein wenig an Unterstützung für seine Benutzer.

Spark benötigt einige fortschrittliche Fähigkeiten, um das Modellieren von Big Data zu verstehen und zu strukturieren. Bewertung gesammelt von und auf G2.com gehostet.

- Es integriert sich mit leistungsstarken Skriptsprachen.

- Datenverarbeitung ist deutlich schneller als das herkömmliche Hadoop Big Data System aufgrund von In-Memory-Berechnungen und mehreren anderen Optimierungen. Bewertung gesammelt von und auf G2.com gehostet.

Es kann zu Speicherfehlern aufgrund von In-Memory-Berechnungen kommen. Die Abfrageausführungszeit ist etwas hoch, was jedoch erwartet wird, kann aber bis zu einem gewissen Grad optimiert werden. Bewertung gesammelt von und auf G2.com gehostet.

Die Verarbeitung im Speicher ist meist beliebt. Auch können wir direkt Dataframes verwenden, was es sehr entwicklerfreundlich macht. Auch den Streaming-Teil mochte ich sehr... Bewertung gesammelt von und auf G2.com gehostet.

Meiner Meinung nach gibt es nichts, was man nicht mögen könnte. Bewertung gesammelt von und auf G2.com gehostet.