Avis et détails du produit Apache Kudu

1. La mise en œuvre de l'architecture Lambda (à la fois par lots et en streaming en temps réel) avec Kudu est assez simple. Nous avons également utilisé Streamsets comme plateforme d'ingestion, qui a une bonne intégration avec Kudu.

2. Rend l'analyse en temps réel assez simple. Nous avons utilisé Kudu pour exécuter plusieurs campagnes en temps réel.

3. Conçu sur mesure pour la mise en œuvre d'entrepôts de données dans un environnement Big Data.

4. Bonne fonctionnalité d'upsert. Avis collecté par et hébergé sur G2.com.

1. Limitation de partition - Est limitée à 2000 tablettes/serveur de tablettes.

2. Rencontres des délais d'attente aléatoires en approchant de la limitation du nombre de tablettes (max 2000/serveur).

3. Nécessite un schéma conforme. Pas de gestion automatique des schémas dérivants.

4. Nécessite une clé primaire pour chaque table.

5. #3 et #4 ne sont pas vraiment des inconvénients en soi. Avis collecté par et hébergé sur G2.com.

À mon avis, ce que j'ai trouvé le plus utile à propos d'Apache Kudu est la possibilité de réaliser des agrégations de données assez complexes via des moteurs SQL tout en étant capable d'effectuer des mises à jour de manière efficace. Avis collecté par et hébergé sur G2.com.

Probablement deux inconvénients d'Apache Kudu à prendre en compte sont la configuration de partitionnement, car il est assez difficile de trouver la meilleure configuration de partitionnement pour les performances d'un cas d'utilisation particulier, et aussi le fait que Kudu ne rééquilibre pas la charge si un nouveau nœud est ajouté au cluster. Avis collecté par et hébergé sur G2.com.

C'est assez bon lors de la lecture et du chargement et la meilleure base de données columnaires sur Hadoop. Ce Kudu est livré avec Cloudera, donc tous les composants sont au même endroit. L'intégration avec le script Impala et la compatibilité avec le format de fichier Parquet le rendent plus dynamique. Sa partition dynamique aide également lors du débogage. L'intégration du metastore Hive de Kudu rend également les tables Hive et Kudu accessibles depuis la même plateforme. Les données incrémentielles sont répliquées sans aucun problème pour les utilisateurs finaux. Il prend en charge presque tout le SQL ANSI, donc cela semble très familier. Avis collecté par et hébergé sur G2.com.

Le partitionnement Kudu est effectué uniquement sur la clé primaire, ce qui n'est pas toujours approprié. Dans certains cas, nous avons un horodatage comme clé de partition, mais cela ne peut pas être la clé primaire, donc la lecture d'une table volumineuse est une préoccupation ici. Cela doit être modifié à l'avenir. Il y a une préoccupation concernant le contexte Kudu avec l'intégration d'Impala. Actuellement, la connectivité JDBC a encore quelques problèmes pour les grandes quantités de données.

C'est un problème de nom de table en camel case. Les tables Kudu avec un nom de colonne contenant des majuscules ou des caractères non-ASCII peuvent ne pas être utilisées comme table externe dans Impala. Les colonnes peuvent être renommées dans Kudu pour contourner ce problème. Avis collecté par et hébergé sur G2.com.

Vitesse d'exécution, en particulier par rapport à Apache Hive. Flexibilité pour fonctionner comme une table RDBMS régulière. Il peut être utilisé pour un grand datamart avec une logique CDC facilement. Avis collecté par et hébergé sur G2.com.

Vous devez décider de la clé primaire pour chaque objet. Donc, plus d'attention sur l'aspect de la modélisation des données. Avis collecté par et hébergé sur G2.com.

Facilement accessible depuis le moteur de requête APACHE Impala, donc l'expérience de création de tableaux de bord et OLAP est fluide. Avis collecté par et hébergé sur G2.com.

Avec un grand nombre de données en streaming, la charge sur le système augmente de manière exponentielle, ce qui affecte d'autres services fonctionnant sur le même serveur. Avis collecté par et hébergé sur G2.com.

Caractéristiques d'intégration Kudu-Impala

Algorithme de consensus Raft utilisé pour garantir la tolérance aux pannes Avis collecté par et hébergé sur G2.com.

Scalabilité limitée : données que vous pouvez avoir dans Kudu par nœud de cluster et par cluster Avis collecté par et hébergé sur G2.com.

Le principal avantage est que vous pouvez exécuter des analyses sur Hadoop. Vous n'avez pas besoin de proposer une solution alternative de big data au client pour exécuter des analyses s'il a déjà choisi Hadoop pour le stockage de Big Data. Avis collecté par et hébergé sur G2.com.

Kudu a des limitations dans le type de données qu'il peut gérer. Vous ne pouvez pas stocker des données structurées complexes comme vous pouvez le faire avec Impala. Avis collecté par et hébergé sur G2.com.

Facile à utiliser

Mise à jour et suppression qui ne sont pas disponibles dans les tables Hive

Insertion rapide, suppression, toutes les opérations ACID Avis collecté par et hébergé sur G2.com.

Les documentations ne sont pas disponibles, en particulier celles détaillant les charges de travail lourdes et les optimisations. Avis collecté par et hébergé sur G2.com.

pas besoin d'apprendre HBase pour le traitement en temps réel, Apache Kudu peut vous aider. facile à apprendre, efficace et vous pouvez mettre à jour les enregistrements. il fournit Avis collecté par et hébergé sur G2.com.

Primaire doit être la première colonne, parfois il est difficile de maintenir la 1ère colonne comme clé primaire. Avis collecté par et hébergé sur G2.com.

la requête est très rapide et a une excellente performance. Avis collecté par et hébergé sur G2.com.

il consomme beaucoup de mémoire, ce qui détruit le système à long terme. Avis collecté par et hébergé sur G2.com.