企业版Spark Databricks + 企业版Kafka Confluent 联合高效挖掘数据价值

Posted 2022-05-21 阿里云云栖号

简介：本文介绍了如何使用阿里云的Confluent Cloud和Databricks构建数据流和LakeHouse，并介绍了如何使用Databricks提供的能力来挖掘数据价值，使用Spark MLlib构建您的机器学习模型。

前提条件

• 已注册阿里云账号，详情请参见阿里云账号注册流程
• 已开通 Databricks 数据洞察服务
• 已开通 OSS 对象存储服务
• 已开通 Confluent 流数据服务

创建Databricks集群 & Confluent集群

1. 登录Confluent管理控制台，创建Confluent集群，并开启公网服务
2. 登录Databricks管理控制台，创建Databricks集群

Databricks Worker节点公网访问

Databricks的worker节点暂时不支持公网访问，为了能访问Confluent的公网地址，请联系Databricks的开发人员添加NAT网关。

案例：出租车数据入湖及分析

出租车和网约车在每天的运行中持续产生行驶轨迹和交易数据，这些数据对于车辆调度，流量预测，安全监控等场景有着极大的价值。

本案例中我们使用纽约市的出租车数据来模拟网约车数据从产生，发布到流数据服务Confluent，通过Databricks Structured Streaming进行实时数据处理，并存储到LakeHouse的整个流程。数据存储到LakeHouse后，我们使用spark和spark sql对数据进行分析，并使用Spark的MLlib进行机器学习训练。

前置准备：

1. 创建topic：
   登录Confluent的control center，在左侧选中Topics，点击Add a topic按钮，创建一个名为nyc_taxi_data的topic，将partition设置为3，其他配置保持默认。

   

2. 创建OSS bucket：
   在和Databricks同一Region的OSS中，创建bucket，bucket命名为：databricks-confluent-integration
   进入到Bucket列表页，点击创建bucket按钮

   

   
   创建好bucket之后，在该bucket创建目录：checkpoint_dir和data/nyc_taxi_data两个目录
3. 收集url，用户名，密码，路径等以便后续使用a。
4. confluent集群ID：在csp的管控界面，集群详情页获取

5. 

6. Confluent Control Center的用户名和密码
7. 路径：

• Databricks Structured Streaming的checkpoint存储目录
• 采集的数据的存储目录

下面是我们后续会使用到的一些变量：

# 集群管控界面获取
confluent_cluster_id = "your_confluent_cluster_id"    
# 使用confluent集群ID拼接得到
confluent_server = "rb-confluent_cluster_id.csp.aliyuncs.com:9092" 
control_center_username = "your_confluent_control_center_username"
control_center_password = "your_confluent_control_center_password"

topic = "nyc_taxi_data"

checkpoint_location = "oss://databricks-confluent-integration/checkpoint_dir"
taxi_data_delta_lake = "oss://databricks-confluent-integration/data/nyc_taxi_data"

数据的产生

在本案例中，我们使用Kaggle上的NYC出租车数据集来模拟数据产生。

• 我们先安装confluent的python客户端，其他语言的客户端参考confluent官网

pip install confluent_kafka

• 构造用于创建Kafka Producer的基础信息，如：bootstrap-server，control center的username，password等

conf = 
    'bootstrap.servers': confluent_server,
    'key.serializer': StringSerializer('utf_8'),
    'value.serializer': StringSerializer('utf_8'),
    'client.id': socket.gethostname(),
    'security.protocol': 'SASL_SSL',
    'sasl.mechanism': 'PLAIN',
    'sasl.username': control_center_username,
    'sasl.password': control_center_password

• 创建Producer：

producer = Producer(conf)

• 向Kafka中发送消息（模拟数据的产生）：

with open("/Path/To/train.csv", "rt") as f:
    float_field = ['fare_amount', 'pickup_longitude', 'pickup_latitude', 
                   'dropoff_longitude', 'dropoff_latitude']
    for row in reader:
        i += 1
        try:
            for field in float_field:
                row[field] = float(row[field])
            row['passenger_count'] = int(row['passenger_count'])
            producer.produce(topic=topic, value=json.dumps(row))
            if i % 1000 == 0:
                producer.flush()
                if i == 200000:
                    break
        except ValueError: # discard null/NAN data
            continue 

Kafka中的partition和offset

在使用spark读取Kafka中的数据之前，我们回顾一下Kafka中的概念：partition和offset

• partition：kafka为了能并行进行数据的写入，将每个topic的数据分为多个partition，每个partition由一个Broker负责，向partition写入数据时，负责该partition的Broker将消息复制给它的follower
• offset：Kafka会为每条写入partition里的消息进行编号，消息的编号即为offset

我们在读取Kafka中的数据时，需要指定我们想要读取的数据，该指定需要从两个维度：partition的维度 + offset的维度。

• Earliest：从每个partition的offset 0开始读取和加载
• Latest：从每个partition最新的数据开始读取
• 自定义：指定每个partition的开始offset和结束offset

• 读取topic1 partition 0 offset 23和partition 0 offset -2之后的数据：""""topic1":"0":23,"1":-2"""

除了指定start offset，我们还可以通过endingOffsets参数指定读取到什么位置为止。

将数据存储到LakeHouse：Spark集成Confluent

理解上述概念后，Databricks和Confluent的集成非常简单，只需要对spark session的readStream参数进行简单的设置就可以将Kafka中的实时流数据转换为Spark中的Dataframe：

lines = (spark.readStream
         # 指定数据源: kafka
         .format("kafka")
         # 指定kafka bootstrap server的URL
         .option("kafka.bootstrap.servers", confluent_server)
         # 指定订阅的topic
         .option("subscribe", topic)
         # 指定想要读取的数据的offset，earliest表示从每个partition的起始点开始读取
         .option("startingOffsets", "earliest")
         # 指定认证协议
         .option("kafka.security.protocol", "SASL_SSL")
         .option("kafka.sasl.mechanism", "PLAIN")
         # 指定confluent的用户名和密码
         .option("kafka.sasl.jaas.config",
                 f"""org.apache.kafka.common.security.plain.PlainLoginModule 
                 required username="control_center_username" password="control_center_password";""")
         .load())

从kafka中读取的数据格式如下：

root
 |-- key: binary (nullable = true)
 |-- value: binary (nullable = true)
 |-- topic: string (nullable = true)
 |-- partition: integer (nullable = true)
 |-- offset: long (nullable = true)
 |-- timestamp: timestamp (nullable = true)
 |-- timestampType: integer (nullable = true)

由于key和value都是binary格式的，我们需要将value（json）由binary转换为string格式，并定义schema，提取出Json中的数据，并转换为对应的格式：

schema = (StructType().add('key', TimestampType())
          .add('fare_amount', FloatType())
          .add('pickup_datetime', TimestampType())
          .add('pickup_longitude', FloatType())
          .add('pickup_latitude', FloatType())
          .add('dropoff_longitude', FloatType())
          .add('dropoff_latitude', FloatType())
          .add('passenger_count', IntegerType())
          )

# 将json中的列提取出来
lines = (lines.withColumn('data', 
                          from_json(
                              col('value').cast('string'), # binary 转 string
                              schema))                     # 解析为schema
         .select(col('data.*')))                           # select value中的所有列

过滤掉错误，为空，NaN的数据：

lines = (lines.filter(col('pickup_longitude') != 0)
         .filter(col('pickup_latitude') != 0)
         .filter(col('dropoff_longitude') != 0)
         .filter(col('dropoff_latitude') != 0)
         .filter(col('fare_amount') != 0)
         .filter(col('passenger_count') != 0))

最后，我们将解析出来的数据输出到LakeHouse中，以进行后续的分析和机器学习模型训练：

# lakehouse 的存储格式为 delta
query = (lines.writeStream.format('delta')
         .option('checkpointLocation', checkpoint_location)
         .option('path', taxi_data_delta_lake).start())
# 执行job，直到出现异常（如果只想执行该Job一段时间，可以指定timeout参数）
query.awaitTermination()

数据分析

我们先将LakeHouse中的数据使用Spark加载进来：

然后，我们对该Dataframe创建一个Table View，并探索fare_amount的分布：

可以看到fare_amount的最小值是负数，这显然是一条错误的数据，我们将这些错误的数据过滤，并探索fare_amount的分布：

然后我们探索价格和年份，月份，星期，打车时间的关系：

从上面可以看出两点：

• 出租车的价格和年份有很大关系，从09年到15年呈不断增长的态势
• 在中午和凌晨打车比上午和下午打车更贵一些。

我们再进一步探索价格和乘客数量的关系：

此外，出租车价格的另一个影响因素就是距离，这里我们借助python的geopy包和Spark的UDF来计算给定两个位置的距离，然后再分析费用和距离的关系。

经纬度的范围为[-90, 90]，因此，我们第一步是清除错误的数据：

然后，我们增加一列数据：出租车行驶的距离，并将距离离散化，进行后续的分析：

统计打车距离的分布：

从上图可以看出：打车距离分布在区间[0, 15]miles内，我们继续统计在该区间内，打车价格和打车距离的关系：

如上图所示：打车价格和打车距离呈现出线性增长的趋势。

机器学习建模

在上一小节的数据分析中，我们已经提取了和出租车相关联的一些特征，根据这些特征，我们建立一个简单的线性回归模型：

打车费用 ~ (年份，打车时间，乘客数，距离)

先将特征和目标值提取出来：

对特征做归一化：

分割训练集和测试集：

建立线性回归模型进行训练：

训练结果统计：

使用Evaluator对模型进行评价：

总结

我们在本文中介绍了如何使用阿里云的Confluent Cloud和Databricks来构建您的数据流和LakeHouse，并介绍了如何使用Databricks提供的能力来挖掘数据价值，使用Spark MLlib构建您的机器学习模型。有了Confluent Cloud和Databricks，您可以轻松实现数据入湖，及时在最新的数据上进行探索，挖掘您的数据价值。欢迎您试用阿里云Confluent和Databricks。

原文链接

本文为阿里云原创内容，未经允许不得转载。