“决胜云计算大数据时代”

 

Spark亚太研究院100期公益大讲堂 【第4期互动问答分享】

 

Q1:Spark SQL和Shark有啥区别？

  • Shark需要依赖于Hadoop上Hive去做SQL语句的解析和分析Spark，而SQL是主要依赖了Catalyst这个新的查询优化框架，在把SQL解析成逻辑执行计划之后，利用Catalyst包里的一些类和接口，执行了一些简单的执行计划优化，最后变成RDD的计算；

  • Databricks表示，Shark更多是对Hive的改造，替换了Hive的物理执行引擎，因此会有一个很快的速度。然而，不容忽视的是，Shark继承了大，量的Hive代码，因此给优化和维护带来了大量的麻烦。随着性能优化和先进分析整合的进一步加深，基于MapReduce设计的部分无疑成为了整个项目的瓶颈；

  • Spark新发布的Spark SQL组件让Spark对SQL有了别样于Shark基于Hive的支持：

    • 其一，能在Scala代码里写SQL，支持简单的SQL语法检查，能把RDD指定为Table存储起来。此外支持部分SQL语法的DSL。

    • 其二，支持Parquet文件的读写，且保留Schema。

    • 其三，能在Scala代码里访问Hive元数据，能执行Hive语句，并且把结果取回作为RDD使用。


Q2:Spark SQL会提供JDBC吗？

  • Spark官方指出：“Spark SQL includes a server mode with industry standard JDBC and ODBC connectivity.”；

  • Jdbc support branchis under going。    

 

Q3:执行Task不是还要跟Driver交互吗？

  • 执行Task时要和Driver交互，动态的向Driver报告执行情况。

 

Q4:对于RDD上的数据如何取出来供外部程序使用？

  • 使用save等方法保存在HDFS之上；

  • 然后通过Sqoop等工具到处到MySQL等数据库供外部使用；

  • 也可以保存在HBase之上。

 

Q5:Spark官网上说Spark SQL不是很强大，还说建议大家复查查询的时候还是使用Hive。

      Spark 1.0和1.0.1版本复杂的查询需要使用Hive；

   随着Spark版本的更新，可以做任何复杂度的查询。