Apache Spark的Lambda架构示例应用

目前，市场上很多玩家都已经成功构建了MapReduce工作流程，每天可以处理TB级的历史数据，但是在MapReduce上跑数据分析真的太慢了。所以我们给大家介绍利用批处理和流处理方法的Lambda架构，本文中将利用Apache Spark(Core，SQL，Streaming)，Apache Parquet，Twitter Stream等实时流数据快速访问历史数据。

Apache Hadoop简史

Apache Hadoop由 Apache Software Foundation 公司于 2005 年秋天作为Lucene的子项目Nutch的一部分正式引入。它受到最先由 Google Lab 开发的 Map/Reduce 和 Google File System(GFS) 的启发。它成为一个独立项目的时间已有10年。

目前已经有很多客户实施了基于Hadoop的M / R管道，并成功运行到现在：

Oozie的工作流每日运行处理150TB以上的数据并生成分析报告

Bash的工作流每日运行处理8TB以上的数据并生成分析报告

2016年来了!

2016年商业现实发生了变化，越快做出决策往往价值就会越大。另外，技术本身也在发展，Kafka，Storm，Trident，Samza，Spark，Flink，Parquet，Avro，云提供商等都成为了工程师们的流行语。

因此，现代基于Hadoop的M / R管道可能会是下图所示的这样：

图上的M/R通道看起来不错，但其实它本质上还是一个传统的批处理，有着传统批处理的缺点，当新的数据源源不断的进入系统中时，还是需要大量的时间来处理。

Lambda 架构

针对上面的问题，Nathan Marz提出了一个通用、可扩展和容错性强的数据处理架构即Lambda架构，它是通过利用批处理和流处理方法来处理大量数据的。Nathan Marz的书对从源码的角度对Lambda架构进行了详尽的介绍。

层结构

这是Lambda架构自上而下的层结构：

所有数据进入系统后都分派到批处理层和速度层进行处理。批处理层管理主数据集(一个不可变的，只可增加的原始数据集)，并预先计算批处理视图。 服务层对批视图进行索引，以便可以进行低延迟的临时查询。 速度层仅处理最近的数据。所有的查询结果都必须合并批处理视图和实时视图的查询结果。

要点

许多工程师认为Lambda架构就只包含层结构和定义数据流程，但是Nathan Marz的书中为我们介绍了其它几个比较重要的点：

• 分布式思想
• 避免增量结构
• 数据的不变性
• 创建重新计算算法
• 数据的相关性

如前所述，任何查询结果都必须通过合并来自批处理视图和实时视图的结果，因此这些视图必须是可合并的。在这里要注意的一点是，实时视图是前一个实时视图和新数据增量的函数，因此这里使用增量算法，批处理视图是所有数据的函数，因此应该使用重新计算算法。

权衡

世间万物都是在不断妥协和权衡中发展的，Lambda结构也不例外。通常，我们需要解决几个主要的权衡：

完全重新计算 vs.部分重新计算

在有些情况下，可以使用Bloom过滤器来避免完全重新计算

重计算算法 vs. 增量算法

增量算法其实很具吸引力，但是有时根据指南，我们必须使用重计算算法，即便它很难得到相同的结果

加法算法 vs. 近似算法

虽然Lambda架构能够与加法算法很好地协同工作，但是在有些情况下更适合使用近似算法，例如使用HyperLogLog处理count-distinct问题。

实现

实现Lambda架构的方法有很多，因为每个层的底层解决方案是独立的。每个层需要底层实现的特定功能，有助于做出更好的选择并避免过度决策：

• 批量层：一次写入，批量读取多次
• 服务层：支持随机读取但不支持随机写入; 批量计算和批量写入
• 速度层：随机读写; 增量计算

例如，其中一个实现(使用Kafka，Apache Hadoop，Voldemort，Twitter Storm，Cassandra)可能如下所示：

Apache Spark

Apache Spark被视为在所有Lambda架构层上进行处理的集成解决方案。 其中Spark Core包含了高级API和支持常规执行图的优化引擎，SparkSQL用于SQL和结构化数据处理，Spark Streaming支持实时数据流的可扩展，高吞吐量，容错流处理。 当然，使用Spark进行批处理的价格可能比较高，而且也不是所有的场景和数据都适合。但是，总体来说Apache Spark是对Lambda架构的合理实现。

示例应用

我们创建一个示例应用程序来演示Lambda架构。这个示例的主要目的统计从某个时刻到现在此刻的#morningatlohika tweets哈希标签。

批处理视图

为了简单起见，假设我们的主数据集包含自时间开始以来的所有tweets。 此外，我们实现了一个批处理，创建了我们的业务目标所需的批处理视图，因此我们有一个预计算的批处理视图，其中包含与#morningatlohika一起使用的所有主题标记的统计信息：

因为数字方便记忆，所以我使用对应标签的英文单词的字母数目作为编号。

实时视图

当应用程序启动并运行时，有人发出了如下的tweet:

在这种情况下，正确的实时视图应包含以下标签及其统计信息(在我们的示例中为1，因为相应的hash标签只使用了一次)：

查询

当终端用户查询hash标签的统计结果时，我们只需要将批量视图与实时视图合并起来。 所以输出应该如下所示：

场景

示例场景的简化步骤如下：

• 通过Apache Spark创建批处理视图(.parquet)
• 在Apache Spark中缓存批处理视图
• 流应用程序连接到Twitter
• 实时监控#morningatlohika tweets
• 构建增量实时视图
• 查询，即合并批处理视图和实时视图

技术细节

源代码基于Apache Spark 1.6.x，(在引入结构化流之前)。 Spark Streaming架构是纯微型批处理架构：

所以处理流应用程序时，我使用DStream连接使用TwitterUtils的Twitter：

在每个微批次(使用可配置的批处理间隔)，对新的tweets中hashtags的统计信息的计算，并使用updateStateByKey()状态转换函数更新实时视图的状态。 为了简单起见，使用临时表将实时视图存储在存储器中。

查询服务反映批处理和实时视图的合并：

输出

文章开头提到的基于Hadoop的M/R管道使用Apache Spark来优化：

后记：

正如之前提到的Lambda Architecture有其优点和缺点，所以支持者和反对者都有。 有些人说批处理视图和实时视图有很多重复的逻辑，因为最终他们需要从查询角度创建可合并的视图。 所以他们创建了一个Kappa架构，并称其为Lambda架构的简化版。 Kappa架构系统是删除了批处理系统，取而代之的是通过流系统快速提供数据：

但即使在这种情况下，Kappa Architecture中也可以应用Apache Spark，例如流处理系统：

本文作者：佚名

来源：51CTO