10

我是 Apache Spark 的新手。

我的工作是读取两个 CSV 文件，从中选择一些特定的列，将其合并、聚合并将结果写入单个 CSV 文件。

例如，

CSV1

name,age,deparment_id

CSV2

department_id,deparment_name,location

我想获得第三个 CSV 文件

name,age,deparment_name

我将两个 CSV 都加载到数据框中。然后能够使用数据帧中join,select,filter,drop存在的几种方法获得第三个数据帧

我也可以使用几个RDD.map()

我也可以使用执行来做同样的hiveql事情HiveContext

如果我的 CSV 文件很大，我想知道哪种方法最有效，为什么？

4

3 回答 3

13

此博客包含基准。Dataframes 比 RDD 高效得多

https://databricks.com/blog/2015/02/17/introducing-dataframes-in-spark-for-large-scale-data-science.html

这是来自博客的片段

在高层次上，有两种优化。首先，Catalyst 应用逻辑优化，例如谓词下推。优化器可以将过滤谓词下推到数据源中，使物理执行能够跳过不相关的数据。对于 Parquet 文件，可以跳过整个块，并且可以通过字典编码将字符串比较转换为更便宜的整数比较。在关系数据库的情况下，谓词被下推到外部数据库中以减少数据流量。其次，Catalyst 将操作编译成物理计划以供执行，并为那些通常比手写代码更优化的计划生成 JVM 字节码。例如，它可以在广播连接和随机连接之间进行智能选择，以减少网络流量。它还可以执行较低级别的优化，例如消除昂贵的对象分配和减少虚拟函数调用。因此，我们预计现有 Spark 程序在迁移到 DataFrame 时的性能会有所提高。

这是性能基准https://databricks.com/wp-content/uploads/2015/02/Screen-Shot-2015-02-16-at-9.46.39-AM.png

于 2015-07-17T10:44:25.913 回答
6

DataFrames 和 spark sql 查询都使用催化剂引擎进行了优化，所以我猜它们会产生相似的性能（假设您使用的版本 >= 1.3）

而且两者都应该比简单的RDD操作要好，因为对于RDD，spark对你的数据类型没有任何了解，所以它不能做任何特殊的优化

于 2015-07-16T17:28:38.080 回答
0

Spark 的总体方向是使用数据帧，以便通过催化剂优化查询

于 2015-07-16T12:32:22.620 回答