Apache Shark(Spark SQL) VS Impala. Сравнение Apache Shark(Spark SQL) с Impala (Cloudera)


Cравнение Impala от компании Cloudera с Apache Shark(Spark SQL)

Отказоустойчивость: Shark разработан как для краткосрочных так и для долгосрочных запросов. Он может востанновить и продолжить выполнение запроса с места падения благодарая особенностям лежащих в основе платформы Spark. Impala более сфокусирована на коротких запросах в моменте и не отказоустойчива. Запросы должны быть перезапущены, если нода упала, что является приемлеммым только для краткосрочных запросов.

Обработка в оперативной памяти: Shark позволяет пользователям явно закешировать данные в оперативную память для повышение скорости выполнения запросов  и использует эффективный сжатый column-oriented формат для этого.  Impala пока не поддерживает in-memory хранилище.

Целевая аудитория: Impala больше сфокусирована на традиционных корпоративных пользователях и OLAP хранилищах. Shark поддерживает традиционный OLAP, но также развивает возможности более комплексного использования(использования Hive, обработка неструктурированных данных и применение расширенной аналитики(машинное обучение Spark ML) ). Долгострочная перспектива Shark-a, это унифицированная система, что поддерживает SQL-подход c  и расширенную аналитику(машинное обучени и т.д.)

Приемуществоми Impala является: 
  • более сильная поддержка многопользовательского использования/нагрузкок, что ,возможно, является наиболее значимым для пользователей, которые ищут инструменты для BI-анилитики. Для большинства инструментов для BI-инструментов
  • Impala поддержует SQL стандарт. Её можно подключить по ODBC драйверу к таким BI-инструментам как Tableau. 
  • Для большинства инструментов ручное написание SQL запросов является очень нежелательным если вообще невозможным тогда как Impala поддержует запросы в формате SQL-89 без каких-либо модификаций. Другие системы требуют значительного переписывания оригинальных запросов.

Рекомендованный обьем оперативной памяти для Impala является 128GB или более... :( Да, это то, что немножно настораживает, но всё равно выглядит настолько "вкусно", что буду пробывать собирать даже на менее производительно железе. Посмотрим, что с этого выйдет...


Полезные сслыки:
Benchmark
Benchmark from Cloudera
Comparative from Cloudera

Коментарі

Дописати коментар

Популярні дописи з цього блогу

Минимальные требование для кластера Hadoop(with Spark)

Зображення
   Есть 4 типы ролей в базовом Hadoop кластере: NameNode (и Standby NameNode), JobTracker,TaskTracker, и DataNode. (node - это машина выполняющая конкретную задачу). Большинство машин в Вашем кластере могут выполнять две из этих ролей, функионируя как DataNode (хранилище данных) и TaskTracker (Для обработки данных).    Следующая диаграмма показывает как должны быть сконфигурированы сервера в зависимости от рабочих нагрузок: Далее приведена рекомендательная спецификация для DataNode/TaskTrackers в Hadoop кластере: 12-24 1-4TB жерстих диска в JBOD (Just a Bunch Of Disks) конфигурации 2 quad-/hex-/octo-core CPUs, 2-2.5GHz 64-512GB ОЗУ Локальная Гигабитная сеть или 10Gigabit сеть (чем большая плотность хранения тем большая пропускная способность необходима) Рекомендации для NameNode/JobTracker/Standby NameNode ноды будет колебаться в зависимости от избыточности: 4–6 1TB жерсткие диски в JBOD конфигурации (1 для OS, 2 для FS [RAID 1], 1 для Apache ZooKee...
Докладніше

Apache Spark Resource Management и модель приложений от YARN

Зображення
Краткий обзор разницы между тем как Spark и MapReduce управляют ресурсами с помощью YARN. Также посмотрим на разницу между Spark и MapReduce архитектурой, почему это важно и как они работают в кластере с ресурс медежрером YARN.  Наиболее популярным YARN приложением после MapReduce является Apache Spark.  Приложения В MapReduce, "job" является блоком наивысшего уровня. Система загружает данные в map функцию, перемешивает их и отправляет в reduce функцию. После записывает результат обратно в хранилище. Spark имеет похожий принцип работы(job может состоять не только из шагов map и reduce), но он имеет ещё один блок уровня управления , который называется "application", который может запустить много job-в в последовательном или паралельном режиме. Архитектура Spark приложений Для тех, кто хорошо знаком с SPARK API, приложению соответствует экземпляр класса SparkContext. В приложении может быть использован однин job, интерактивная сессия с нескольким...
Докладніше

Apache Spark - основные команды

Загрузка данных в DataSet RRD (Resilient Distributed Dataset над которым можно делать преобразования): .parallelize([3,5,6,8,9]) .textFile(path_to_the_source)// указываем хранилище. К примеру hdfs. Трансформация данных : .map(function) — применяет пользовательскую функцию(function) к каждому элементу датасета .filter(function) — возвращает только те элементы датасета, для которых пользовательская функция(function) вернула значение true .distinct([numTasks]) — возвращает датасет, с уникальных элементо первоначального датасета .union(otherDataset).intersection(otherDataset).cartesian(otherDataset) — новый датасет содержит в себе всевозможные пары (A,B), где первый элемент принадлежит исходному датасету, а второй — датасету-аргументу Действия над RDD (Сохранить данные или вывести в консоль..): .saveAsTextFile(path) — сохраняет данные в текстовый файл (в hdfs, на локальную машину или в любую другую поддерживаемую файловую систему — полный список можно посмотреть в докумен...
Докладніше