Recensioni e Dettagli del Prodotto Spark

Spark è ottimo per lavorare con quantità davvero grandi di dati. Può gestire sia lavori batch che dati in streaming e funziona con diversi tipi di file e fonti di dati. È molto più veloce dei sistemi più vecchi perché può elaborare i dati in memoria.

Mi piace anche che abbia strumenti integrati per le query sui dati, lo streaming e persino il machine learning, quindi puoi fare molto senza cambiare piattaforma. Recensione raccolta e ospitata su G2.com.

Spark non è così "facile" come si pensa. Se non è configurato o ottimizzato correttamente, può funzionare lentamente o costare molto per operare. Un piccolo errore nel modo in cui scrivi o esegui un lavoro può rallentare tutto.

Il debug dei problemi può richiedere tempo e lo streaming non è veramente in tempo reale; funziona ancora in piccoli lotti. Inoltre, può essere complicato abbinare la giusta versione di Spark con altri strumenti nella tua configurazione. Recensione raccolta e ospitata su G2.com.

È veloce rispetto a Hadoop poiché è un motore di elaborazione in memoria. Recensione raccolta e ospitata su G2.com.

Niente per ora poiché è una versione avanzata della memoria su disco di Hadoop Recensione raccolta e ospitata su G2.com.

Ho usato Spark per l'elaborazione dei dati e la cosa che mi piace di più è la velocità; elabora una grande quantità di dati grazie al calcolo in memoria, che è molto migliore rispetto a Hadoop MapReduce. Recensione raccolta e ospitata su G2.com.

La cosa che non mi piace di Spark è che il costo dell'infrastruttura è molto alto quando si tratta di eseguire i dati in un ambiente cluster. Recensione raccolta e ospitata su G2.com.

La velocità di Spark

La funzionalità di integrazione di Spark con software personalizzati, con altri strumenti.

La facilità d'uso e l'adattabilità per l'utente. Recensione raccolta e ospitata su G2.com.

Nessun file system da gestire.

Funzioni/algoritmi limitati. Recensione raccolta e ospitata su G2.com.

Amo la velocità dell'elaborazione dei dati. Anche l'immenso ecosistema di integrazione con le API e la grande quantità di ottimizzazione della memoria che possiamo ottenere attraverso di esso. È molto facile da usare e implementare con approcci versatili di elaborazione dei dati che possiamo ottenere attraverso di esso e anche il supporto clienti con l'aiuto della comunità è fantastico! Recensione raccolta e ospitata su G2.com.

Richiede una curva di apprendimento ripida poiché le persone non tecniche o i principianti possono trovarlo molto complesso. Quando la complessità dei dati è enorme, è difficile eseguire il debug e trovare errori nei big data elaborati. Non è adatto per l'elaborazione di piccoli dati. Recensione raccolta e ospitata su G2.com.

Integrazione con potenti linguaggi di scripting (Python, Scala e Java). Consuma i file di datastore Apache disponibili per sviluppare modelli di ML e distribuirli rapidamente in produzione. L'integrazione con Knime ha fornito uno sviluppo senza codice di pipeline ETL, e la fusione con i datastore Apache ci ha permesso di educare rapidamente il talento tradizionale (basato su SQL ed Excel) a costruire approfondimenti sui dati robusti. L'integrazione della piattaforma Knime con Spark non ha richiesto alcuna potenza di calcolo aggiuntiva poiché ha eseguito tutto l'elaborazione sull'infrastruttura Spark. Recensione raccolta e ospitata su G2.com.

Di default, Spark ha meno algoritmi per i modelli di ML, ma possiamo estenderlo con altri linguaggi di programmazione, il che comporta uno sforzo aggiuntivo durante l'implementazione con Knime. Recensione raccolta e ospitata su G2.com.

1. Mi piace molto il concetto di RDD in Spark poiché sono immutabili.

2. Spark fornisce molte UDF di sistema (pronte all'uso) con cui giocare.

3. Possiamo facilmente eseguire il debug di un problema di Spark controllando la lineage sulla Spark UI. Recensione raccolta e ospitata su G2.com.

1. A volte, gli errori di memoria insufficiente su Spark diventano molto frequenti e un comando SIGKILL viene invocato senza alcun tracciato di stack adeguato da parte di Spark. In questo modo diventa molto difficile eseguire il debug di un job Spark. Recensione raccolta e ospitata su G2.com.

Spark rende possibile l'elaborazione di set di dati molto grandi e gestisce anche questi set di dati in modo abbastanza rapido. Spark sembra essere un software in rapida evoluzione. Spark è uno dei software di tendenza negli ultimi tempi. È un ottimo motore di calcolo per risolvere logiche complesse. Recensione raccolta e ospitata su G2.com.

Sembra che Spark sia un po' lento con i dati ampi. Spark manca un po' nel supportare i suoi utenti. Spark ha bisogno di una capacità avanzata per comprendere e strutturare la modellazione dei big data. Recensione raccolta e ospitata su G2.com.

- Si integra con potenti linguaggi di scripting.

- Debugging facile tramite UI

- L'elaborazione dei dati è significativamente più veloce rispetto al sistema convenzionale Hadoop Big Data grazie ai suoi calcoli in memoria e a diverse altre ottimizzazioni. Recensione raccolta e ospitata su G2.com.

Potrebbero verificarsi errori di memoria insufficiente a causa di calcoli in memoria. Il tempo di esecuzione della query è piuttosto elevato, tuttavia è previsto, ma può essere ottimizzato fino a certi livelli. Recensione raccolta e ospitata su G2.com.

L'elaborazione in memoria è una cosa molto apprezzata. Inoltre, possiamo usare direttamente i dataframes, il che lo rende molto amichevole per gli sviluppatori. Anche la parte di streaming mi è piaciuta molto... Recensione raccolta e ospitata su G2.com.

Non c'è nulla, secondo me, che possa essere sgradito. Recensione raccolta e ospitata su G2.com.