Spark Streaming Bewertungen & Produktdetails

Seine Fähigkeit, große Datenmengen zu verarbeiten, macht es horizontal skalierbar, und seine Fehlertoleranz durch Datenreplikation sowie seine Unterstützung für Batch-Streaming beschleunigen die Datenverarbeitung. Bewertung gesammelt von und auf G2.com gehostet.

Mikro-Batching-Latenz verringert die Latenz und ist auch ressourcenintensiv, da es eine große Menge an Ressourcen verbraucht. Bewertung gesammelt von und auf G2.com gehostet.

Was ich an Spark Streaming am meisten mag, ist seine Fähigkeit, die Echtzeit-Datenverarbeitung effizient zu handhaben und dabei einen hohen Durchsatz aufrechtzuerhalten. Es ermöglicht eine nahtlose Integration in das Apache Spark-Ökosystem und bietet Zugang zu einer Vielzahl von Bibliotheken und Werkzeugen. Das Programmiermodell ist einfach zu handhaben, und seine Fehlertoleranzmechanismen gewährleisten eine zuverlässige Datenverarbeitung auch bei Ausfällen. Darüber hinaus machen die Skalierbarkeit von Spark Streaming und die Integration mit verschiedenen Datenquellen es zu einer vielseitigen Wahl für die Verarbeitung von Streaming-Daten. Bewertung gesammelt von und auf G2.com gehostet.

Keine eingebaute Unterstützung für die Verarbeitung von Ereigniszeiten. Bewertung gesammelt von und auf G2.com gehostet.

Mit Hilfe von Spark Streaming können enorme Datenmengen mit praktisch null Latenz übertragen werden. Skripte sind einfach zu konfigurieren und auszuführen, indem Spark-Cluster verwendet werden. Am wichtigsten ist, dass Fehler mit den Spark-UI-Logs gefunden und behoben werden können. Bewertung gesammelt von und auf G2.com gehostet.

Es gibt viel über Spark Streaming zu lernen, und große Mengen an Dokumentation können manchmal etwas überwältigend sein. Datenvisualisierung kann mehr verbessert werden, anstatt nur die grundlegende Schnittstelle zu haben. Es kann manchmal kostspielig sein, wenn Cluster nicht richtig optimiert sind. Bewertung gesammelt von und auf G2.com gehostet.

Spark Streaming ist sehr einfach und leicht zu implementieren, da wir nur Parameter für das bestehende Paket konfigurieren müssen. Bewertung gesammelt von und auf G2.com gehostet.

Manchmal, wenn Fahrer nicht verfügbar sind, verlieren wir leicht die Verbindung und wir müssen einen weiteren Lauf machen, indem wir Zustände löschen, um einen ordnungsgemäßen Lauf zu erhalten. Bewertung gesammelt von und auf G2.com gehostet.

Spark Streaming ist eine der besten Möglichkeiten, Daten einfach zu streamen, nach Kafka. Wenn Sie eine kleine oder mittlere Menge an Daten streamen möchten, können Sie Spark Streaming einfach und sicher verwenden. Bewertung gesammelt von und auf G2.com gehostet.

Kafka ist besser als Spark Streaming, weil Spark Streaming nicht richtig mit größeren Datenmengen funktioniert, während Kafka Streaming die Daten sehr gut verarbeitet. Bewertung gesammelt von und auf G2.com gehostet.

Echtzeit-Analysen und eine Open-Source-Lösung. Bewertung gesammelt von und auf G2.com gehostet.

Komplex einzurichten und nicht sehr relevant für kleine Anwendungen. Bewertung gesammelt von und auf G2.com gehostet.

Spark Streaming ist eine der Hauptkomponenten, die das Echtzeit-Streaming von Daten unterstützt und viele Verbesserungen bietet, die bei der Verarbeitung größerer Datensätze helfen. Bewertung gesammelt von und auf G2.com gehostet.

Im Allgemeinen empfinde ich keine Abneigung, aber die Kompatibilität spielt zu verschiedenen Zeiten auf unterschiedlichen Plattformen eine Rolle. Trotzdem ist es das beste Streaming und Processing. Bewertung gesammelt von und auf G2.com gehostet.

Ich konnte eine komplexe Datenpipeline mit Apache Spark erstellen. Bewertung gesammelt von und auf G2.com gehostet.

Spark ist im Allgemeinen nicht geeignet, wenn der Datensatz relativ klein ist. Bewertung gesammelt von und auf G2.com gehostet.

Es ist eine Evolution in der Big-Data-Welt. Sehr trendy und sich entwickelnd. Außerdem nutzen Menschen es sowohl für die Echtzeitverarbeitung als auch für die Batch-Verarbeitung, was ebenfalls Kosten spart. Dankbar Bewertung gesammelt von und auf G2.com gehostet.

Es ist schwierig zu verstehen und zu lernen. Es sind nicht viele Ressourcen verfügbar. Außerdem müssen die Leute einen fundierten Big-Data-Hintergrund mit MapReduce- und Java-Kenntnissen haben, um Spark Streaming weiter zu verstehen. Bewertung gesammelt von und auf G2.com gehostet.

Spark ist ein sehr leistungsstarkes Framework, und wir führen Spark-Streaming-Jobs für mehrere Anforderungen aus, wie das Sammeln von Daten von Flume, Kafka, Sqoop, HDFS und das Übertragen in andere Knoten.

Einer der täglich genutzten Spark-Streaming-Jobs dient dazu, unsere Daten von der Produktion zu DR zu kopieren. Was wir hier tun, ist, die fsimages von Produktions- und DR-Cluster zu kopieren und dann einen Spark-Streaming-Job auszuführen, um das Image zu glätten und die Differenz zu berechnen, nach der die Daten in eine Datenbank übertragen werden und die Daten von der Produktion zu DR unter Verwendung der Differenz des Namespace-Images kopiert werden. Wir haben fast 800+ TB Daten mit diesem Streaming-Job kopiert. Bewertung gesammelt von und auf G2.com gehostet.

Spark-Streaming-Jobs sind ressourcenintensiv sowie komplex, daher benötigen Sie Ingenieure, die gut wissen, wie man den Job optimiert, sonst könnte ein Spark-Streaming-Job genug Ressourcen verbrauchen, um einen Multi-Node-Cluster lahmzulegen. Bewertung gesammelt von und auf G2.com gehostet.