大数据学习(31)-Spark非常用及重要特性

&&大数据学习&&

🔥系列专栏： 👑哲学语录: 承认自己的无知，乃是开启智慧的大门
💖如果觉得博主的文章还不错的话，请点赞👍+收藏⭐️+留言📝支持一下博主哦🤞

spark中引入过很多不常用的特性。但是非常重要的特性。

1. 动态分区裁剪（Dynamic Partition Pruning）：在查询过程中，Spark可以根据已经读取的数据动态地裁剪不需要的分区，从而减少数据的扫描量，提高查询效率。这个特性在处理大规模数据集时非常有用，可以大大减少不必要的计算和数据传输。
2. 自适应执行优化（Adaptive Execution Optimization）：Spark可以根据运行时的统计信息动态地调整执行计划，例如将SortMergeJoin转换为BroadcastHashJoin，或者将大任务拆分成小任务等。这些优化可以提高Spark的执行效率和资源利用率。
3. 数据源API的改进：Spark提供了更丰富的数据源API，支持更多的数据格式和存储系统。这使得Spark可以更容易地与其他系统进行集成，从而扩展其应用范围。
4. 更好的内存管理：Spark在内存管理方面进行了改进，可以更高效地利用内存资源。例如，Spark引入了Off-Heap内存管理机制，可以避免在JVM堆内存不足时发生OutOfMemoryError错误。
5. 更好的错误处理和调试支持：Spark提供了更详细的错误信息和调试支持，可以帮助开发人员更快地定位和解决问题。
6. Kubernetes集成：随着容器技术的流行，Spark也提供了与Kubernetes的集成，使得用户可以在Kubernetes集群上部署和管理Spark应用。
7. Barrier Execution Mode：这个新特性允许Spark在需要所有任务都完成的情况下进行同步操作，例如MPI风格的算法。
8. Structured Streaming的改进：Structured Streaming是Spark的流处理模块，它在每个新版本中都会得到改进和优化，以提供更好的性能和易用性。

以上仅仅是部分spark在执行过程中的重要知识，这里只做了简要解释与介绍。深入了解可以看看其他博主的文章。上述的SortMergeJoin转换为BroadcastHashJoin在之前的文章中有提及过，还有hive的内存管理机制等等，在我的主页都可以查看。