强者联盟——Python语言结合Spark框架
引言：Spark由AMPLab实验室开发，其本质是基于内存的快速迭代框架，“迭代”是机器学习最大的特点，因此非常适合做机器学习。得益于在数据科学中强大的表现，Python语言的粉丝遍布天下，如今又遇上强大的分布式内存计算框架Spark，两个领域的强者走到一起，自然能碰出更加强大的火花（Spark可以翻译为火花），因此本文主要讲述了PySpark。本文选自《全栈数据之门》。 全栈框架 Spark由AMPLab实验室开发，其本质是基于内存的快速迭代框架，“迭代”是机器学习最大的特点，因此非常适合做机器学习。 框架由Scala语言开发，原生提供4种API，Scala、Java、Python以及最近版本开始支持的R。Python不是Spark的“亲儿子”，在支持上要略差一些，但基本上常用的接口都支持。得益于在数据科学中强大的表现，Python语言的粉丝遍布天下，如今又遇上强大的分布式内存计算框架Spark，两个领域的强者走到一起，自然能碰出更加强大的火花（Spark可以翻译为火花），因此PySpark是本节的主角。 在Hadoop发行版中，CDH5和HDP2都已经集成了Spark，只是集成的版本比官方的版本要略低一些。当前最新的HDP2.4已经集成了1.6.1（官方最新为2.0），可以看出，Hortonworks的更新速度非常快，紧跟上游的步伐。 除Hadoop的Map-Reduce计算框架之外，Spark能异军突起，而且慢慢地建立自己的全栈生态，那还真得了解下Spark到底提供了哪些全栈的技术。Spark目前主要提供了以下6大功能。 Spark Core: RDD及其算子。 Spark-SQL: DataFrame与SQL。 Spark ML(MLlib): 机器学习框架。 Spark Streaming: 实时计算框架。 Spark GraphX: 图计算框架。 PySpark(SparkR): Spark之上的Python与R框架。 从RDD的离线计算到Streaming的实时计算；从DataFrame及SQL的支持，到MLlib机器学习框架；从GraphX的图计算到对统计学家最爱的R的支持，可以看出Spark在构建自己的全栈数据生态。从当前学术界与工业界的反馈来看，Spark也已经做到了。 环境搭建 是骡子是马，拉出来遛一遛就知道了。要尝试使用Spark是非常简单的事情，一台机器就可以做测试和开发了。 访问网站http://spark.apache.org/downloads.html，下载预编译好的版本，解压即可以使用。选择最新的稳定版本，注意选择“Pre-built”开头的版本，比如当前最新版本是1.6.1，通常下载spark-1.6.1-bin-hadoop2.6.tgz文件，文件名中带“-bin-”即是预编译好的版本，不需要另外安装Scala环境，也不需要编译，直接解压到某个目录即可。 假设解压到目录/opt/spark，那么在$HOME目录的.bashrc文件中添加一个PATH： 记得source一下.bashrc文件，让环境变量生效： 接着执行命令pyspark或者spark-shell，如果看到了Spark那帅帅的文本Logo和相应的命令行提示符>>>，则说明成功进入交互式界面，即配置成功。 pyspark与spark-shell都能支持交互式测试，此时便可以进行测试了。相比于Hadoop来说，基本上是零配置即可以开始测试。 spark-shell测试： pyspark测试： 分布式部署 上面的环境测试成功，证明Spark的开发与测试环境已经配置好了。但是说好的分布式呢？我把别人的库都拖下来了，就是想尝试Spark的分布式环境，你就给我看这个啊？ 上面说的是单机的环境部署，可用于开发与测试，只是Spark支持的部署方式的其中一种。这种是local方式，好处是用一台笔记本电脑就可以运行程序并在上面进行开发。虽然是单机，但有一个非常有用的特性，那就是可以实现多进程，比如8核的机器，只需要运行代码的时候指定--master local[]，就可以用8个进程的方式运行程序。代表使用全部CPU核心，也可以使用如local[4]，意为只使用4个核心。 单机的local模式写的代码，只需要做少量的修改即可运行在分布式环境中。Spark的分布式部署支持好几种方式，如下所示。 Standalone：本身自带的集群（方便测试和Spark本身框架的推广）。 Mesos：一个新的资源管理框架。 YARN：Hadoop上新生的资源与计算管理框架，可以理解为Hadoop的操作系统， 可以支持各种不同的计算框架。 EC2：亚马逊的机器环境的部署。 从难易程度上来说，Standalone分布式最简单，直接把解压好的包复制到各台机器上去，配置好master文件和slave文件，指示哪台机器做master，哪些机器做salve。然后在master机器上，通过自带的脚本启动集群即可。 从使用率上来说，应该是YARN被使用得最多，因为通常是直接使用发行版本中的Spark集成套件，CDH和HDP中都已经把Spark和YARN集成了，不用特别关注。 分布式的优势在于多CPU与更大的内存，从CPU的角度再来看Spark的三种方式。 本机单CPU：“local”，数据文件在本机。 本机多CPU：“local[4]”，数据文件在本机。 Standalone集群多CPU：“spark://master-ip:7077”，需要每台机器都能访问数据文件。 YARN集群多CPU：使用“yarn-client”提交，需要每台机器都能访问到数据文件。 交互式环境的部署也与上面的部署有关系，直接使用spark-shell或者pyspark是local的方式启动，如果需要启动单机多核或者集群模式，需要指定--master参数，如下所示。 如果使用pyspark，并且习惯了IPython的交互式风格，还可以加上环境变量来启动IPython的交互式，或者使用IPython提供的Notebook： IPython风格如下所示： 示例分析 环境部署是新手最头痛的问题，前面环境已经部署好了，接下来才是正题。因为Scala较Python复杂得多，因此先学习使用PySpark来写程序。 Spark有两个最基础的概念，sc与RDD。sc是SparkContext的缩写，顾名思义，就是Spark上下文语境，sc连接到集群并做相应的参数配置，后面所有的操作都在这个上下文语境中进行，是一切Spark的基础。在启动交互式界面的时候，注意有一句提示： SparkContext available as sc, HiveContext available as sqlContext. 意思是，sc这个变量代表了SparkContext上下文，可以直接使用，在启动交互式的时候，已经初始化好了。如果是非交互式环境，需要在自己的代码中进行初始化： RDD是Resilient Distributed Datasets（弹性分布式数据集）的缩写，是Spark中最主要的数据处理对象。生成RDD的方式有很多种，其中最主要的一种是通过读取文件来生成： 读取joy.txt文件后，就是一个RDD，此时的RDD的内容就是一个字符串，包含了文件的全部内容。 还记得前面使用Python来编写的WordCount代码吗？通过Hadoop的Streaming接口提到Map-Reduce计算框架上执行，那段代码可不太好理解，现在简单的版本来了。 WordCount例子的代码如下所示： 在上面的代码中，我个人喜欢用括号的闭合来进行分行，而不是在行尾加上续行符。 PySpark中大量使用了匿名函数lambda，因为通常都是非常简单的处理。核心代码解读如下。 flatMap：对lines数据中的每行先选择map(映射)操作，即以空格分割成一系列单词形成一个列表。然后执行flat(展开)操作，将多行的列表展开，形成一个大列表。此时的数据结构为：['one','two','three',...]。 map：对列表中的每个元素生成一个key-value对，其中value为1。此时的数据结构为：[('one', 1), ('two',1), ('three',1),...]，其中的'one'、'two'、'three'这样的key,可能会出现重复。 reduceByKey：将上面列表中的元素按key相同的值进行累加，其数据结构为：[('one', 3), ('two', 8), ('three', 1), ...]，其中'one', 'two','three'这样的key不会出现重复。 最后使用了wc.collect()函数，它告诉Spark需要取出所有wc中的数据，将取出的结果当成一个包含元组的列表来解析。相比于用Python手动实现的版本，Spark实现的方式不仅简单，而且很优雅。 两类算子 Spark的基础上下文语境为sc，基础的数据集为RDD，剩下的就是对RDD所做的操作了。 对RDD所做的操作有transform与action，也称为RDD的两个基本算子。 transform是转换、变形的意思，即将RDD通过某种形式进行转换，得到另外一个RDD，比如对列表中的数据使用map转换，变成另外一个列表。 当然，Spark能在Hadoop的Map-Reduce模型中脱颖而出的一个重要因素就是其强大的算子。Spark并没有强制将其限定为Map和Reduce模型，而是提供了更加强大的变换能力，使得其代码简洁而优雅。 下面列出了一些常用的transform。 map(): 映射，类似于Python的map函数。 filter(): 过滤，类似于Python的filter函数。 reduceByKey(): 按key进行合并。 groupByKey(): 按key进行聚合。 RDD一个非常重要的特性是惰性（Lazy）原则。在一个RDD上执行一个transform后，并不立即运行，而是遇到action的时候，才去一层层构建运行的DAG图，DAG图也是Spark之所以快的原因。 first(): 返回RDD里面的第一个值。 take(n): 从RDD里面取出前n个值。 collect(): 返回全部的RDD元素。 sum(): 求和。 count(): 求个数。 回到前面的WordCount例子，程序只有在遇到wc.collect()这个需要取全部数据的action时才执行前面RDD的各种transform，通过构建执行依赖的DAG图，也保证了运行效率。 map与reduce 初始的数据为一个列表，列表里面的每一个元素为一个元组，元组包含三个元素，分别代表id、name、age字段。RDD正是对这样的基础且又复杂的数据结构进行处理，因此可以使用pprint来打印结果，方便更好地理解数据结构，其代码如下： parallelize这个算子将一个Python的数据结构序列化成一个RDD，其接受一个列表参数，还支持在序列化的时候将数据分成几个分区（partition）。分区是Spark运行时的最小粒度结构，多个分区会在集群中进行分布式并行计算。 使用Python的type方法打印数据类型，可知base为一个RDD。在此RDD之上，使用了一个map算子，将age增加3岁，其他值保持不变。map是一个高阶函数，其接受一个函数作为参数，将函数应用于每一个元素之上，返回应用函数用后的新元素。此处使用了匿名函数lambda，其本身接受一个参数v，将age字段v[2]增加3，其他字段原样返回。从结果来看，返回一个PipelineRDD，其继承自RDD，可以简单理解成是一个新的RDD结构。 要打印RDD的结构，必须用一个action算子来触发一个作业，此处使用了collect来获取其全部的数据。 接下来的操作，先使用map取出数据中的age字段v[2]，接着使用一个reduce算子来计算所有的年龄之和。reduce的参数依然为一个函数，此函数必须接受两个参数，分别去迭代RDD中的元素，从而聚合出结果。效果与Python中的reduce相同，最后只返回一个元素，此处使用x+y计算其age之和，因此返回为一个数值，执行结果如下图所示。 AMPLab的野心 AMPLab除了最著名的Spark外，他们还希望基于内存构建一套完整的数据分析生态系统，可以参考https://amplab.cs.berkeley.edu/software/上的介绍。 他们的目的就是BDAS（Berkeley Data Analytics Stack），基于内存的全栈大数据分析。前面介绍过的Mesos是集群资源管理器。还有Tachyon，是基于内存的分布式文件系统，类似于Hadoop的HDFS文件系统，而Spark Streaming则类似于Storm实时计算。 强大的全栈式Spark，撑起了大数据的半壁江山。 本文选自《全栈数据之门》，点此链接可在博文视点官网查看此书。 想及时获得更多精彩文章，可在微信中搜索“博文视点”或者扫描下方二维码并关注。
