Spark Streaming Vor- und Nachteile

Seine Fähigkeit, große Datenmengen zu verarbeiten, macht es horizontal skalierbar, und seine Fehlertoleranz durch Datenreplikation sowie seine Unterstützung für Batch-Streaming beschleunigen die Datenverarbeitung. Bewertung gesammelt von und auf G2.com gehostet.

Mikro-Batching-Latenz verringert die Latenz und ist auch ressourcenintensiv, da es eine große Menge an Ressourcen verbraucht. Bewertung gesammelt von und auf G2.com gehostet.

Was ich an Spark Streaming am meisten mag, ist seine Fähigkeit, die Echtzeit-Datenverarbeitung effizient zu handhaben und dabei einen hohen Durchsatz aufrechtzuerhalten. Es ermöglicht eine nahtlose Integration in das Apache Spark-Ökosystem und bietet Zugang zu einer Vielzahl von Bibliotheken und Werkzeugen. Das Programmiermodell ist einfach zu handhaben, und seine Fehlertoleranzmechanismen gewährleisten eine zuverlässige Datenverarbeitung auch bei Ausfällen. Darüber hinaus machen die Skalierbarkeit von Spark Streaming und die Integration mit verschiedenen Datenquellen es zu einer vielseitigen Wahl für die Verarbeitung von Streaming-Daten. Bewertung gesammelt von und auf G2.com gehostet.

Keine eingebaute Unterstützung für die Verarbeitung von Ereigniszeiten. Bewertung gesammelt von und auf G2.com gehostet.

Mit Hilfe von Spark Streaming können enorme Datenmengen mit praktisch null Latenz übertragen werden. Skripte sind einfach zu konfigurieren und auszuführen, indem Spark-Cluster verwendet werden. Am wichtigsten ist, dass Fehler mit den Spark-UI-Logs gefunden und behoben werden können. Bewertung gesammelt von und auf G2.com gehostet.

Es gibt viel über Spark Streaming zu lernen, und große Mengen an Dokumentation können manchmal etwas überwältigend sein. Datenvisualisierung kann mehr verbessert werden, anstatt nur die grundlegende Schnittstelle zu haben. Es kann manchmal kostspielig sein, wenn Cluster nicht richtig optimiert sind. Bewertung gesammelt von und auf G2.com gehostet.

Spark Streaming ist sehr einfach und leicht zu implementieren, da wir nur Parameter für das bestehende Paket konfigurieren müssen. Bewertung gesammelt von und auf G2.com gehostet.

Manchmal, wenn Fahrer nicht verfügbar sind, verlieren wir leicht die Verbindung und wir müssen einen weiteren Lauf machen, indem wir Zustände löschen, um einen ordnungsgemäßen Lauf zu erhalten. Bewertung gesammelt von und auf G2.com gehostet.

Spark Streaming ist eine der besten Möglichkeiten, Daten einfach zu streamen, nach Kafka. Wenn Sie eine kleine oder mittlere Menge an Daten streamen möchten, können Sie Spark Streaming einfach und sicher verwenden. Bewertung gesammelt von und auf G2.com gehostet.

Kafka ist besser als Spark Streaming, weil Spark Streaming nicht richtig mit größeren Datenmengen funktioniert, während Kafka Streaming die Daten sehr gut verarbeitet. Bewertung gesammelt von und auf G2.com gehostet.

Echtzeit-Analysen und eine Open-Source-Lösung. Bewertung gesammelt von und auf G2.com gehostet.

Komplex einzurichten und nicht sehr relevant für kleine Anwendungen. Bewertung gesammelt von und auf G2.com gehostet.

Spark streaming is one of the key components which helps the real time streaming of data and also gives lots of enhancement that helps procesisng larger datasets Bewertung gesammelt von und auf G2.com gehostet.

There is no dislike I feel In general but the compatibility does matter some or the other time on different platforms. But still its the best streaming and processing Bewertung gesammelt von und auf G2.com gehostet.

Ich konnte eine komplexe Datenpipeline mit Apache Spark erstellen. Bewertung gesammelt von und auf G2.com gehostet.

Spark ist im Allgemeinen nicht geeignet, wenn der Datensatz relativ klein ist. Bewertung gesammelt von und auf G2.com gehostet.

It's evolution in Big Data World. Very trendy and evolving. Also people are using for real time processing as well as batch processing which saves cost too. Thankful Bewertung gesammelt von und auf G2.com gehostet.

It's difficult to understand and learn. Not much resources available. Also, people must have a hard core big data background with map reduce and java understanding to further understand spark streaming Bewertung gesammelt von und auf G2.com gehostet.

Spark ist ein sehr leistungsstarkes Framework, und wir führen Spark-Streaming-Jobs für mehrere Anforderungen aus, wie das Sammeln von Daten von Flume, Kafka, Sqoop, HDFS und das Übertragen in andere Knoten.

Einer der täglich genutzten Spark-Streaming-Jobs dient dazu, unsere Daten von der Produktion zu DR zu kopieren. Was wir hier tun, ist, die fsimages von Produktions- und DR-Cluster zu kopieren und dann einen Spark-Streaming-Job auszuführen, um das Image zu glätten und die Differenz zu berechnen, nach der die Daten in eine Datenbank übertragen werden und die Daten von der Produktion zu DR unter Verwendung der Differenz des Namespace-Images kopiert werden. Wir haben fast 800+ TB Daten mit diesem Streaming-Job kopiert. Bewertung gesammelt von und auf G2.com gehostet.

Spark-Streaming-Jobs sind ressourcenintensiv sowie komplex, daher benötigen Sie Ingenieure, die gut wissen, wie man den Job optimiert, sonst könnte ein Spark-Streaming-Job genug Ressourcen verbrauchen, um einen Multi-Node-Cluster lahmzulegen. Bewertung gesammelt von und auf G2.com gehostet.