Spark SQL Bewertungen & Produktdetails

Speziell die wenigen besten Punkte, die ich an Spark SQL mag, sind wie folgt:

- Es ist die beste Wahl für Big-Data-Analysen in Zusammenarbeit mit Hadoop.

- Es bietet schnellen Zugriff auf Daten in SQL-Workloads.

- In Spark SQL können viele Arten der Datenverarbeitung zusammen verwendet werden.

- Es ist einfach, mehrere Datenquellen einzubinden - von Spark RDD bis zu externen Datenbanken.

- Spark SQL unterstützt Map-Reduce, SQL-Abfragen, Streaming-Daten, maschinelles Lernen (ML) und Graph-Algorithmen. Bewertung gesammelt von und auf G2.com gehostet.

Mein Hauptkritikpunkt sind die Einschränkungen von Spark SQL, einschließlich Latenzproblemen, Problemen mit kleinen Dateien und fehlender Echtzeit-Datenverarbeitung. Apache hat einige bereits mit einer alternativen Lösung durch Apache Apex gelöst. Diese Probleme müssen jedoch bei Spark SQL behoben werden, da eine Alternative in Ordnung ist, aber einige Funktionen, die Spark SQL bietet, bei Apex nicht verfügbar sind. Bewertung gesammelt von und auf G2.com gehostet.

1. Abfrage von Big Data mit SQL-Syntax.

2. Aggregationen durchführen. Bewertung gesammelt von und auf G2.com gehostet.

Das Einrichten eines eigenständigen Spark-Clusters ist schwierig. Bewertung gesammelt von und auf G2.com gehostet.

Ein Merkmal, das mir als softwareaffine Person sehr gut gefällt, ist, dass Spark Open Source ist. Dies ermöglicht es mir, tiefer in seinen Wert einzutauchen als bei anderer Software, die dieselben Aufgaben erfüllt. Es ist auch in seiner Funktionalität als Software äußerst robust. Noch mehr als das ist dieses Framework und die SQL-Version extrem schneller als seine Konkurrenten, aufgrund der Art und Weise, wie es Daten verarbeitet. Spark verwendet diese Idee namens Cluster-Modus und innerhalb dessen nutzt es verteilte Verarbeitung, was es ermöglicht, dass die Berechnungen im Framework vollständig intern ablaufen. Ein weiteres großartiges Merkmal ist die Fähigkeit, Daten aus verschiedenen Quellen zu beziehen. Der Hauptnutzen, den ich in diesem Framework sehe, ist maschinelles Lernen und KI, wenn man große Datenmengen aus mehreren Quellen verwendet. Es ermöglicht die beste Kombinierbarkeit und Verarbeitungsfähigkeit. Bewertung gesammelt von und auf G2.com gehostet.

Eine Sache, die mir an dieser Software nicht gefällt, ist, dass es in der Python-Version dieser Software keine Unterstützung für ein Dataset-API gibt. Der Grund, warum dies ein Problem ist, liegt darin, dass die meisten maschinellen Lern- und KI-Programme, die ich schreibe, in der Python-Sprache sind, sodass ohne diese Unterstützung ein erheblicher Nachteil für mich persönlich besteht. Es funktioniert zwar immer noch, aber ohne diese Funktion ist es eine kleine Enttäuschung. In Bezug auf andere Programmiersprachen funktioniert es großartig. Ein weiteres potenzielles Problem ist, dass es keine Möglichkeit gibt, mehrere gleichzeitige Benutzer zu unterstützen, was bei großen Projekten potenzielle Hindernisse darstellen kann. Bewertung gesammelt von und auf G2.com gehostet.

Fähigkeit, große Datenmengen zu verarbeiten und das Ergebnis in kürzester Zeit anzuzeigen. Bewertung gesammelt von und auf G2.com gehostet.

Beachten. Keine Probleme bei der Nutzung festgestellt. Bewertung gesammelt von und auf G2.com gehostet.

Einige Merkmale, die ich an Spark SQL am meisten mag, sind:

Spark SQL ist so nahtlos in Big-Data-Tools integriert, dass es zu einem bevorzugten Produkt wird.

Es kann eine große Menge an Daten in Sekunden verarbeiten, das ist die Effizienz.

Seine Abfragesyntax ist wie bei regulärem SQL, was den Aufwand zum Erlernen einer neuen Sprache reduziert. Bewertung gesammelt von und auf G2.com gehostet.

Spark SQL benötigt eine große Menge an RAM für die Datenverarbeitung, was zu einem zu hohen Speicherverbrauch führt.

Außerdem können wir in Spark keine Tabelle für den Union-Typ erstellen. Bewertung gesammelt von und auf G2.com gehostet.

Machbarkeit smd einfaches Verständnis der in SparkSQL erstellten Abfragen Bewertung gesammelt von und auf G2.com gehostet.

Nicht benutzerfreundliche Benutzeroberfläche ist sehr unbefriedigend, sie muss verbessert werden. Bewertung gesammelt von und auf G2.com gehostet.

Spark SQL ist ein Spark-Modul zur Verarbeitung strukturierter Daten. Bewertung gesammelt von und auf G2.com gehostet.

Kein Dateiverwaltungssystem, teuer, Fensterkriterien Bewertung gesammelt von und auf G2.com gehostet.

Es unterstützt den Zugriff auf verschiedene Datenquellen wie Hive, Avro, Parquet, ORC, JSON und JDBC. Bewertung gesammelt von und auf G2.com gehostet.

Es unterstützt keine Echtzeitverarbeitung. Bewertung gesammelt von und auf G2.com gehostet.

1. Wir können die meisten SQL-Skripte schreiben, um die massiven Daten zu lesen.

2. Alle Arten von SQL-Funktionen werden unterstützt.

3. Das beste Merkmal, das ich mag, ist die Verwendung von SQL in der Python-Sprache und das Speichern der extrahierten Daten in Python-Datenrahmen.

4. SQL-Ansichten sind eine sehr bequeme Möglichkeit, auf die Daten aus Data Lakes zuzugreifen.

5. Da Spark SQL die Spark-Cluster verwendet, ist es sehr schnell, die datenauszugbezogenen Abfragen auszuführen.

6. Notebooks sind eine einfachere und bequemere Möglichkeit, den Code zu schreiben. Bewertung gesammelt von und auf G2.com gehostet.

Das einzige Problem besteht darin, Tabellen oder Ansichten auf der Grundlage der JSON-Daten aus dem Data Lake zu erstellen. Und das externe Metastore einzurichten, anstatt das aktuelle Metastore zu aktualisieren. Bewertung gesammelt von und auf G2.com gehostet.

Es ermöglicht, Hadoop-Hive-Abfragen 10-mal schneller als MR auszuführen. Es erlaubt Ihnen, Datenrahmen in Python, Scala oder Java mit SQL-Abfragen abzufragen. Bewertung gesammelt von und auf G2.com gehostet.

Es gibt nichts, was mir an Spark SQL nicht gefällt. Es ist am besten, große Datenmengen schnell abzufragen. Bewertung gesammelt von und auf G2.com gehostet.