pab neeg Mail.ru Huab Solutions muaj tsab xov xwm txhais engineer Rahul Bhatia los ntawm Clairvoyant txog dab tsi cov ntaub ntawv tawm tswv yim muaj nyob rau hauv cov ntaub ntawv loj, dab tsi yog cov yam ntxwv feem ntau ntawm Hadoop hom thiab hom twg yog qhov zoo dua los siv.
Vim li cas thiaj xav tau cov ntaub ntawv sib txawv?
Ib qho kev ua haujlwm tseem ceeb rau HDFS-enabled applications xws li MapReduce thiab Spark yog lub sijhawm nws siv los tshawb nrhiav, nyeem, thiab sau cov ntaub ntawv. Cov teeb meem no tau sib xyaw ua ke los ntawm qhov nyuaj hauv kev tswj hwm cov ntaub ntawv loj yog tias peb muaj cov txheej txheem hloov pauv ntau dua li qhov ruaj khov, lossis yog tias muaj qee qhov kev txwv.
Kev ua cov ntaub ntawv loj ua rau cov khoom thauj ntawm lub subsystem cia - Hadoop khaws cov ntaub ntawv rov ua dua kom ua tiav qhov ua txhaum cai. Ntxiv rau disks, processor, network, input/output system, thiab lwm yam yog loaded. Raws li qhov ntim ntawm cov ntaub ntawv loj hlob, yog li tus nqi ntawm kev ua thiab khaws cia.
Ntau hom ntaub ntawv hauv Hadoop invented los daws precisely cov teeb meem no. Xaiv cov ntaub ntawv tsim nyog tuaj yeem muab qee cov txiaj ntsig tseem ceeb:
Lub sijhawm nyeem ntawv ceev dua.
Lub sijhawm kaw nrawm dua.
Muab cov ntaub ntawv.
Txhawb rau schema evolution.
Expanded compression kev txhawb nqa.
Qee cov ntaub ntawv tawm tswv yim yog npaj rau kev siv dav dav, lwm tus rau kev siv tshwj xeeb, thiab qee qhov yog tsim los ua kom tau raws li cov ntaub ntawv tshwj xeeb. Yog li qhov kev xaiv yeej loj heev.
Hom ntawv no yog qhov zoo tagnrho rau kev sau ntawv mus rau qhov chaw tsaws (kev hloov pauv) ntawm ib lub pas dej cov ntaub ntawv (data pas dej, los yog cov ntaub ntawv pas dej - ib qho kev sau ua ke rau khaws ntau hom ntaub ntawv ntxiv rau cov ntaub ntawv ncaj qha).
Yog li, hom ntawv no yog qhov zoo tshaj plaws rau kev sau ntawv mus rau thaj chaw tsaws ntawm cov ntaub ntawv pas dej rau cov laj thawj hauv qab no:
Cov ntaub ntawv los ntawm cheeb tsam no feem ntau yog nyeem tag nrho rau kev ua haujlwm ntxiv los ntawm cov kab hauv qab - thiab cov kab ntawv raws li kev ua tau zoo dua hauv qhov no.
Cov kab ke hauv qab tuaj yeem yooj yim khaws cov ntawv schema los ntawm cov ntaub ntawv-tsis tas yuav khaws cov schemas nyias nyob rau hauv sab nraud meta cia.
Piv nrog rau cov kab ke ib txwm, Parquet muaj txiaj ntsig zoo dua ntawm kev cia thiab kev ua haujlwm.
Qhov no yog qhov tshwj xeeb tshaj yog rau cov lus nug uas nyeem cov kab lus tshwj xeeb los ntawm cov lus dav (ntau kab). Ua tsaug rau cov ntaub ntawv hom ntawv, tsuas yog cov kab ntawv tsim nyog tau nyeem, yog li I / O khaws cia kom tsawg.
Me me digression thiab piav qhia: Kom nkag siab zoo dua Parquet cov ntaub ntawv hom hauv Hadoop, cia peb pom dab tsi ntawm kab-raws li - piv txwv li columnar - hom ntawv yog. Hom ntawv no khaws cov txiaj ntsig zoo sib xws rau txhua kem ua ke.
Piv txwv, cov ntaub ntawv suav nrog ID, Lub Npe, thiab Chaw Haujlwm. Nyob rau hauv cov ntaub ntawv no, tag nrho cov ID kem qhov tseem ceeb yuav muab khaws cia ua ke, raws li yuav lub npe kem nqi, thiab hais txog. Lub rooj yuav zoo li no:
ID lub npe Department
1
pem 1
d1
2
pem 2
d2
3
pem 3
d3
Hauv txoj hlua hom, cov ntaub ntawv yuav raug cawm raws li hauv qab no:
1
pem 1
d1
2
pem 2
d2
3
pem 3
d3
Hauv ib hom ntawv columnar, tib cov ntaub ntawv yuav raug cawm dim zoo li no:
1
2
3
pem 1
pem 2
pem 3
d1
d2
d3
Cov hom ntawv columnar yog qhov ua tau zoo dua thaum koj xav nug ntau kab los ntawm ib lub rooj. Nws tsuas yog nyeem cov kab ntawv uas xav tau vim tias lawv nyob ib sab. Nyob rau hauv txoj kev no, kev ua haujlwm I / O yog khaws cia kom tsawg.
Piv txwv li, koj tsuas xav tau NAME kem. IN txoj hlua hom Txhua cov ntaub ntawv nyob rau hauv cov ntaub ntawv yuav tsum tau muab thauj, parsed los ntawm teb, thiab ces muab rho tawm NAME cov ntaub ntawv. Daim ntawv kab ntawv tso cai rau koj mus laum ncaj qha mus rau lub npe kem vim tias tag nrho cov txiaj ntsig ntawm kab ntawv tau muab khaws cia ua ke. Koj tsis tas yuav luam theej duab tag nrho.
Yog li, cov ntawv columnar txhim kho cov lus nug kev ua tau zoo vim tias nws yuav tsum tau tshawb nrhiav tsawg dua kom tau mus rau cov kab uas xav tau thiab txo cov haujlwm I / O vim tsuas yog cov kab xav tau nyeem.
Ib qho tshwj xeeb nta Parquet yog tias nyob rau hauv hom ntawv no nws ua tau khaws cov ntaub ntawv nrog cov qauv nested. Qhov no txhais tau hais tias nyob rau hauv cov ntaub ntawv Parquet, txawm tias nested teb tuaj yeem nyeem tus kheej yam tsis tas yuav nyeem tag nrho cov teb hauv cov qauv nested. Parquet siv lub shredding thiab los ua ke algorithm los khaws cov qauv nested.