Spark大數(shù)據(jù)引擎離不開的七大工具

Spark 大數(shù)據(jù) 引擎機器

布加迪 | 2016-03-22 17:18

【數(shù)據(jù)猿導讀】 Apache Spark不僅僅讓大數(shù)據(jù)處理起來更快，還讓大數(shù)據(jù)處理起來更簡單、功能更強大、更方便。本文介紹了Spark生態(tài)系統(tǒng)的每個主要部分：每個部分的功能，為什么很重要，是如何發(fā)展的，在哪方面不盡如人意，以及可能會往哪個方向發(fā)展

Spark正在數(shù)據(jù)處理領域卷起一場風暴。讓我們通過本篇文章，看看為Spark的大數(shù)據(jù)平臺起到推波助瀾的幾個重要工具。

Spark生態(tài)系統(tǒng)眾生相

Apache Spark不僅僅讓大數(shù)據(jù)處理起來更快，還讓大數(shù)據(jù)處理起來更簡單、功能更強大、更方便。Spark并非只是一項技術，它結合了諸多部分，新的功能和性能改進不斷添加進來，每個部分都在不斷完善之中。

本文介紹了Spark生態(tài)系統(tǒng)的每個主要部分：每個部分的功能，為什么很重要，是如何發(fā)展的，在哪方面不盡如人意，以及可能會往哪個方向發(fā)展。

Spark Core

Spark的核心是恰如其名的Spark Core。除了協(xié)調和調度作業(yè)外，Spark Core還為Spark中的數(shù)據(jù)處理提供了基本的抽象機制，名為彈性分布式數(shù)據(jù)集(RDD)。

RDD對數(shù)據(jù)執(zhí)行兩個動作：轉換和操作。前者轉換數(shù)據(jù)，并將它們作為剛創(chuàng)新的RDD來提供;后者根據(jù)現(xiàn)有的RDD(比如對象數(shù)量)來計算結果。

Spark的速度很快，原因是轉換和操作都保存在內存中。操作慢騰騰地評估，這意味著只有需要相關的數(shù)據(jù)時，才執(zhí)行操作;然而，很難搞清楚什么在緩慢運行。

Spark的速度在不斷提高。Java的內存管理往往給Spark帶來問題，于是Project Tungsten計劃避開JVM的內存和垃圾收集子系統(tǒng)，以此提高內存效率。

Spark API

Spark主要是用Scala編寫的，所以Spark的主要API長期以來也支持Scala。不過另外三種使用廣泛得多的語言同樣得到支持：Java(Spark也依賴它)、Python和R.

總的來說，你最好選擇自己最擅長的那種語言，因為你需要的功能特性很可能在該語言中直接得到支持。只有一個例外：相比之下，SparkR中對機器學習的支持不大給力，目前只有一小批算法可供使用。不過將來這種情況勢必會發(fā)生變化。

Spark SQL

千萬不要低估了能夠對批量數(shù)據(jù)執(zhí)行SQL查詢的能力或便利。Spark SQL提供了對Spark提供的數(shù)據(jù)執(zhí)行SQL查詢(并且請求列式DataFrame)的一種通用機制，包括通過ODBC/JDBC連接件進行管道處理的查詢。你甚至不需要正規(guī)的數(shù)據(jù)源。Spark 1.6中添加了這一功能：支持以一種得到支持的格式查詢扁平文件，就像Apache Drill那樣。

Spark SQL其實并不用于更新數(shù)據(jù)，因為那與Spark的整個意義相悖?？梢詫⒁蚨傻臄?shù)據(jù)寫回成新的Spark數(shù)據(jù)源(比如新的Parquet表)，但是UPDATE查詢并不得到支持。別指望諸如此類的功能特性很快就會推出;著眼于Spark SQL的改進大多數(shù)用于提升其性能，因為它也成了Spark Streaming的基礎。

Spark Streaming

Spark的設計讓它得以支持許多處理方法，包括流處理――Spark Streaming因此得名。關于Spark Steaming的傳統(tǒng)觀點是，它還半生不熟，這意味著只有你不需要瞬間延遲，或者如果你還沒有投入到另一種流數(shù)據(jù)處理解決方案(比如說Apache Storm)，你才會使用它。

但是Storm在逐漸失去人氣;長期使用Storm的推特此后已改用了自己的項目Heron。此外，Spark 2.0承諾會推出一種新的“結構化數(shù)據(jù)流”模式，以便對實時數(shù)據(jù)進行交互式Spark SQL查詢，包括使用Spark?的機器學習庫。至于其性能是否高得足以擊敗競爭對手仍需拭目以待，不過它值得認真考慮。

MLlib(機器學習)

機器學習技術素有既神奇，又困難之稱。Spark讓你可以對Spark中的數(shù)據(jù)運行許多常見的機器學習算法，從而使這些類型的分析容易得多，也更容易被Spark用戶所使用。

MLlib中的可用算法數(shù)量眾多，該框架每推出一個修訂版，就會隨之增多。話雖如此，一些類型的算法還是沒有――比如說，涉及深度學習的任何算法。第三方正在利用Spark的人氣來填補這一空白;比如說，雅虎可以借助CaffeOnSpark執(zhí)行深度學習，它通過Spark充分利用了Caffe深度學習系統(tǒng)。

GraphX??(圖形計算)

描繪數(shù)百萬實體之間的關系通常需要圖形，這種數(shù)據(jù)構件描述了那些實體之間的相互關系。Spark的GraphX?? API讓你可以使用Spark的一套方法，對數(shù)據(jù)執(zhí)行圖形操作，于是構建和轉換這類圖形的繁重任務卸載到了Spark。GraphX??還包括用于處理數(shù)據(jù)的幾種常見算法，比如PageRank或標簽傳播(label propagation)。

從目前來看，GraphX的??一個主要限制是，它最適合靜態(tài)圖形。處理添加了新頂點的圖形會嚴重影響性能。此外，如果你已經在使用一種成熟的圖形數(shù)據(jù)庫解決方案，GraphX還??不太可能取代它。

SparkR(Spark上的R)