谈谈Databricks和云计算（二）

zdsdrdyhcdmz 发表于 2022-2-24 12:34
顶一顶，两个帖子都收藏了，想问下lz对于distributed storage system和distributed query engine这两个领域 ...

不好意思不太了解这两个领域。但是我认识有人去了Starburst（做query engine的），看起来这个公司发展非常不错

newgpu 发表于 2022-2-24 19:09
你说的图像和视频都属于non-structured data。

. Waral dи,semi-structured data就是花里胡哨格式的：比如list里 ...

你给的例子，我觉得如果要用table存也可以。难点就是需要做schema design，一个用户多个购买记录，normalize一下一个用户表，一个购买记录表，然后one-to-many relationship用foreign key链接一下。

我的理解是，如果有真的有这样的table，我们要ETL成relational table，然后存入数据库。ETL不是就是为了处理这些格式比较乱的数据？

所以这里存这些semi-structure到data lake，是因为比如ML team觉得data engineer的ETL没有把好的feature抓出来，所以亲自来抓？ML team可不可以用ETL工具来处理semi structure?

zzz6222 发表于 2022-2-24 16:41
你给的例子，我觉得如果要用table存也可以。难点就是需要做schema design，一个用户多个购买记录，normal ...

DW里面是很少做normalize的，因为这里的数据真的很大，而且在上面跑SQL的时候往往要扫过大量的row（比如Data Scientist需要知道昨天有多少用户给我们系统付费了），所以不同table之间join特别贵。

你说的在Database里面做normalize是另外一个故事：那个一般是针对online使用场景的Database。Online的SQL query的特点是很少需要扫过大量的row，一般都是针对某个用户进行单个row的查询或者插入，而且Database的存储比DW的存储要贵多了。为了解决这些问题我们会在Database里面谈论normalize这个话题。
另外在DW里面一般也不用foreign key的（我甚至不知道主流DW是否支持foreign key）

newgpu 发表于 2022-02-24 10:17:05
评论区那些从文化或者技术上说Databricks这个公司不行的人，我觉得都没问题，但是你们要言之有物啊。什么干货都没有只是说一句“culture奇差的一家公司”或者“你说的这些aws， azure都有

拿出干货很难，随便怼一下要容易得多，还能显得好像比较厉害 🐶

newgpu 发表于 2022-2-24 19:50
DW里面是很少做normalize的，因为这里的数据真的很大，而且在上面跑SQL的时候往往要扫过大量的row（比如D ...

有道理。
所以DW的SQL没有join会不会很局限啊，就是单表select + filter + aggregation？很多复杂的nested sql基本上都需要跨表？
TPC-DS的query里面，大部分都是跨表的。

zzz6222 发表于 2022-2-24 17:05
有道理。
所以DW的SQL没有join会不会很局限啊，就是单表select + filter + aggregation？很多复杂的nest ...

DW的SQL当然是有join的，我只是说“在DW里面能不做join就尽量不做”，跟Database不一样。实际上没有哪个SQL query engine是不支持join的，无论是Database的query engine还是DW的query engine还是Databricks这种自研的基于开源数据格式的query engine

a0106660 发表于 2022-2-24 16:10
支持楼主, 帖子信息量是大的, 但是对于对databrick 产品不熟悉 或者对大数据仓库各个概念只是粗浅认识的人  ...

感谢建议！我为了写这篇文章，能比较简短地概括Databricks的所有产品，已经花了无数时间去读各种文档和博客了。然后写文章的时候需要组织语言，需要把整个东西串成一条线组织好，真的花了很多时间。。。你说的提议很好，等我有时间了考虑一下

楼主总结的很详细，厉害👍🏽

newgpu 发表于 2022-2-24 16:22
不好意思不太了解这两个领域。但是我认识有人去了Starburst（做query engine的），看起来这个公司发展非 ...

lz真的看好Starburst吗？Databricks的Photon出来之后应该对Startburst冲击很大吧