일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | ||||||
2 | 3 | 4 | 5 | 6 | 7 | 8 |
9 | 10 | 11 | 12 | 13 | 14 | 15 |
16 | 17 | 18 | 19 | 20 | 21 | 22 |
23 | 24 | 25 | 26 | 27 | 28 | 29 |
30 | 31 |
Tags
- Docker error
- Big Query
- 도커
- spark df
- airflow
- 데이터 시각화
- 빅쿼리 튜닝
- docker
- ifkakao2020
- 프로그래머스 파이썬
- LLM
- spark #스파크
- DataFrame Spark
- 로컬 pyspark
- 빅쿼리
- 태블로
- 도커exec
- 코테
- SparkSQL
- 도커오류
- 데이터엔지니어링
- tableau
- sparkdf
- dataframe
- spark explode
- pyspark오류
- 시각화
- BigQuery
- PySpark
- 언어모델
Archives
- Today
- Total
SOGM'S Data
[1-1].SPARK 의 개념과 활용 본문
* 본 포스트는 SK T아카데미 아파치 스파크 입문 강의를 듣고 요약 정리한 내용입니다.
<하둡 생태계>
- HDFS : 하둡 분산 처리 파일 시스템 (Haddop distributed File System)
- 재연산시 신뢰성을 위해 카피
- large file에 좋으나 small file과 low latency가 단점
- masternode - slave node로 구성
- master는 메타데이터 매니저 , slave 는 실제 storing data
- 온프레미스 환경에서 실제로 데이터노드 손실되는경우가 많다. 특히, 디스크 깨지는경우, 특정노드의 리카드, os fault 등등
- HDFS는 이것을 막기 위해 분산 복사하여 카피 가지고 있음. 즉 랙에 중복이 없다. 하단 이미지 참조
하나의 블록이 하나의 노드에 저장이 아니라 COPY 복제하여 특정 노드, 디스크에 문제가 생겨도 FAULT TOLERANCE를 보장
- MapReduce : 하둡 에코시스템의 간단한 프로그래밍 프레임웤을 제공
- 코드를 병렬적으로 작성하기 매우 편함.
map과 reduce의 과정. 파일이 document라 가정. word count가 현재 분산병렬처리되면서 단어 개수가 세짐. i는 2개, am은 2개 등등...
- SPARK
- 기존 map_reduce보다 빠르다. disk 기준 10배 , in memory는 100배 빠름.
- machine learning 알고리즘에 강함. in memory에서 처리
- java, python, scala 코딩 가능
- 하둡 에코시스템에 띄울 수 있다.
- 맵리듀스 VS 스파크
맵리듀스의 데이터 처리 (읽고 쓰고의 반복으로 DISK I/O), Shuffle, sort는 모든 노드의 값들을 reduce쪽으로 보내야함으로 DISK I/O발생 커짐. SPARK의 형태 IN MEMORY로 처리하여 빠름. DISK I/O 발생하지않음. *SPARK의 등장시 램의 가격이 매우싸졌던 시기임ㅋㅋㅋ
- SPARK는 scala로 개발되어서 functional하다. (파이썬 같은 개념) hadoop은 low level 언어로 개발됨 ( c 같은 개념) 장단점이 있다.
- sort competition에서 spark가 hadoop mapreduce보다 3배정도 빠르다. 노드 수도 1/10만 사용,
- SPARK의 역할?
- 데이터 분석 (SQL, MLIib, GraphX)
- 실시간 스트리밍 처리
- SPARK의 Basic Architecture
- SPARK의 dataframe 처리 예시
CSV File 처리 by spark. narrow는 map , wide는 reduce라 보면됨. - 실제스파크는 data transformation(파란색 블럭)에선 작동하지않고 collect같이 빨간 부분에서만 작동이 됨.
- spark는 데이터 전처리용, Feature Engineering, 집계로 많이 사용함.
- 그렇다면 Spark는 언제 쓰면 안될까?
- spark만큼으로는 못함. nosql, 하둡 등과 결합되어야 좋음.
- spark은 DB가 아니다! 쿼리를 막날리면 안됨,
- disk I/O발생하고 DB처럼 Index가 없어서 full scan임.
- 하둡 VS 스파크
- 스파크는 하둡의 Map-reduce와 비교되는 것
- 스파크는 inmemory만 쓰는건 아님 disk input/output 발생하기도하나 map-reduce보다 괜춘
'About Data > Engineering' 카테고리의 다른 글
로컬에 spark 설치후 pyspark 실행 오류 (3) | 2021.12.31 |
---|---|
[1-4] SPARK RDD + structured data (0) | 2021.12.28 |
[1-3]SPARK RDD 세부설명+dataframe (0) | 2021.12.27 |
[1-2]SPARK의 실시간 배치 (0) | 2021.12.12 |
[NDC 2019] Spark, Flintrock, Airflow 로 구현하는 탄력적이고 유연한 데이터 분산 처리 자동화 인프라 구축 _ 내용정리 (0) | 2021.08.22 |
Comments