哪个是高效的,Dataframe或RDD还是hiveql？

Question

我是Apache Spark的新手.

我的工作是读取两个CSV文件,从中选择一些特定列,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

我正在将CSV加载到数据帧中.然后能够使用join,select,filter,drop数据帧中存在的几种方法获得第三个数据帧

我也可以用几个来做同样的事情 RDD.map()

我也可以通过执行hiveql使用来做同样的事情HiveContext

我想知道如果我的CSV文件很大,哪个是有效的方法？为什么？

Answer 1

此博客包含基准.数据帧比RDD更有效

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

这是博客的片段

在较高的层次上,有两种优化.首先,Catalyst应用逻辑优化,例如谓词下推.优化器可以将过滤器谓词下推到数据源中,使物理执行能够跳过不相关的数据.在Parquet文件的情况下,可以跳过整个块,并且可以通过字典编码将字符串上的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将操作编译为物理计划以执行,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智能地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函数调用.因此,我们希望在迁移到DataFrames时,对现有Spark程序的性能有所改进.

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

Answer 2

使用催化剂引擎优化DataFrames和spark sql查询,因此我猜他们会产生类似的性能(假设您使用的版本> = 1.3)

两者都应该比简单的RDD操作更好,因为对于RDD,spark没有任何关于数据类型的知识,所以它不能做任何特殊的优化