强者联盟——Python语言结合Spark框架

Posted 2020-10-02

引言：Spark由AMPLab实验室开发，其本质是基于内存的高速迭代框架，“迭代”是机器学习最大的特点，因此很适合做机器学习。

得益于在数据科学中强大的表现，Python语言的粉丝遍布天下，现在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能够翻译为火花）。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高速迭代框架，“迭代”是机器学习最大的特点。因此很适合做机器学习。 
　　框架由Scala语言开发。原生提供4种API，Scala、Java、Python以及近期版本号開始支持的R。Python不是Spark的“亲儿子”。在支持上要略差一些，但基本上经常使用的接口都支持。

得益于在数据科学中强大的表现，Python语言的粉丝遍布天下。现在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能够翻译为火花），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，仅仅是集成的版本号比官方的版本号要略低一些。

当前最新的HDP2.4已经集成了1.6.1（官方最新为2.0），能够看出。Hortonworks的更新速度很快。紧跟上游的步伐。 
　　除Hadoop的Map-Reduce计算框架之外，Spark能异军突起，并且慢慢地建立自己的全栈生态。那还真得了解下Spark究竟提供了哪些全栈的技术。Spark眼下主要提供了下面6大功能。

1. Spark Core: RDD及其算子。
2. Spark-SQL: DataFrame与SQL。
3. Spark ML(MLlib): 机器学习框架。
4. Spark Streaming: 实时计算框架。

5. Spark GraphX: 图计算框架。
6. 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，能够看出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是很easy的事情，一台机器就能够做測试和开发了。 
　　訪问站点http://spark.apache.org/downloads.html，下载预编译好的版本号，解压即能够使用。

选择最新的稳定版本号。注意选择“Pre-built”开头的版本号。比方当前最新版本号是1.6.1，通常下载spark-1.6.1-bin-hadoop2.6.tgz文件。文件名称中带“-bin-”即是预编译好的版本号，不须要另外安装Scala环境。也不须要编译。直接解压到某个文件夹就可以。

 
　　如果解压到文件夹/opt/spark。那么在$HOME文件夹的.bashrc文件里加入一个PATH：

　　记得source一下.bashrc文件，让环境变量生效： 

　　接着运行命令pyspark或者spark-shell，假设看到了Spark那帅帅的文本Logo和对应的命令行提示符>>>。则说明成功进入交互式界面，即配置成功。

 
　　pyspark与spark-shell都能支持交互式測试。此时便能够进行測试了。相比于Hadoop来说，基本上是零配置即能够開始測试。 
　　spark-shell測试： 

　　pyspark測试： 

分布式部署

　　上面的环境測试成功，证明Spark的开发与測试环境已经配置好了。可是说好的分布式呢？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，可用于开发与測试，仅仅是Spark支持的部署方式的当中一种。这样的是local方式，优点是用一台笔记本电脑就能够执行程序并在上面进行开发。尽管是单机，但有一个很实用的特性。那就是能够实现多进程。比方8核的机器。仅仅须要执行代码的时候指定–master local[]，就能够用8个进程的方式执行程序。

代表使用所有CPU核心，也能够使用如local[4]，意为仅仅使用4个核心。 
　　单机的local模式写的代码，仅仅须要做少量的改动就可以执行在分布式环境中。

Spark的分布式部署支持好几种方式，例如以下所看到的。

　　Standalone：本身自带的集群（方便測试和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，能够理解为Hadoop的操作系统， 
　　能够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。直接把解压好的包拷贝到各台机器上去，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就可以。 
　　从使用率上来说。应该是YARN被使用得最多，由于一般是直接使用发行版本号中的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”，须要每台机器都能訪问数据文件。 
  　　 
  　　YARN集群多CPU：使用“yarn-client”提交。须要每台机器都能訪问到数据文件。 
  　　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，假设须要启动单机多核或者集群模式，须要指定–master參数。例如以下所看到的。

　　假设使用pyspark，而且习惯了IPython的交互式风格，还能够加上环境变量来启动IPython的交互式，或者使用IPython提供的Notebook：

　　IPython风格例如以下所看到的：

演示样例分析

　　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。由于Scala较Python复杂得多，因此先学习使用PySpark来敲代码。 
　　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连接到集群并做对应的參数配置。后面全部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，能够直接使用，在启动交互式的时候，已经初始化好了。 
假设是非交互式环境。须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中最基本的数据处理对象。生成RDD的方式有非常多种，当中最基本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。包括了文件的所有内容。 
　　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计算框架上运行。那段代码可不太好理解，如今简单的版本号来了。 
　　WordCount样例的代码例如以下所看到的： 

　　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。由于通常都是很easy的处理。核心代码解读例如以下。

1. flatMap：对lines数据中的每行先选择map(映射)操作，即以空格切割成一系列单词形成一个列表。

   然后运行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’,…]。

2. map：对列表中的每一个元素生成一个key-value对，当中value为1。

   此时的数据结构为：[(‘one’, 1), (‘two’,1), (‘three’,1),…]，当中的’one’、’two’、’three’这种key,可能会出现反复。

3. reduceByKey：将上面列表中的元素按key同样的值进行累加，其数据结构为：[(‘one’, 3), (‘two’, 8), 
   (‘three’, 1), …]，当中’one’, ‘two’,’three’这种key不会出现反复。

最后使用了wc.collect()函数，它告诉Spark须要取出全部wc中的数据，将取出的结果当成一个包括元组的列表来解析。 
相比于用Python手动实现的版本号，Spark实现的方式不仅简单，并且非常优雅。

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，比方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。 
　　以下列出了一些经常使用的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一个很重要的特性是惰性（Lazy）原则。

在一个RDD上执行一个transform后。并不马上执行，而是遇到action的时候，才去一层层构建执行的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(): 返回所有的RDD元素。

• sum(): 求和。
• count(): 求个数。

回到前面的WordCount样例，程序仅仅有在遇到wc.collect()这个须要取所有数据的action时才运行前面RDD的各种transform，通过构建运行依赖的DAG图，也保证了运行效率。

map与reduce

　　初始的数据为一个列表。列表里面的每个元素为一个元组，元组包括三个元素。分别代表id、name、age字段。

RDD正是对这种基础且又复杂的数据结构进行处理。因此能够使用pprint来打印结果，方便更好地理解数据结构。其代码例如以下：

　　parallelize这个算子将一个Python的数据结构序列化成一个RDD，其接受一个列表參数，还支持在序列化的时候将数据分成几个分区（partition）。分区是Spark执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添加3岁，其它值保持不变。

map是一个高阶函数。其接受一个函数作为參数。将函数应用于每个元素之上，返回应用函数用后的新元素。此处使用了匿名函数lambda，其本身接受一个參数v。将age字段v[2]添加3。其它字段原样返回。从结果来看。返回一个PipelineRDD，其继承自RDD，能够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来获取其所有的数据。 

　　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算子来计算全部的年龄之和。

reduce的參数依旧为一个函数，此函数必须接受两个參数，分别去迭代RDD中的元素，从而聚合出结果。效果与Python中的reduce同样，最后仅仅返回一个元素。此处使用x+y计算其age之和，因此返回为一个数值，运行结果例如以下图所看到的。

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，能够參考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。 
　　　　　　　　　　　　　　　　　　　　

　　想及时获得很多其它精彩文章，可在微信中搜索“博文视点”或者扫描下方二维码并关注。