工業(yè)大數(shù)據(jù)處理領域的“網(wǎng)紅”——Apache Spark

生活離不開水，同樣離不開數(shù)據(jù)，我們被數(shù)據(jù)包圍，在數(shù)據(jù)中生活。當數(shù)據(jù)越來越多時，就成了大數(shù)據(jù)。

在“中國制造2025”的技術路線圖中，工業(yè)大數(shù)據(jù)是作為重要突破點來規(guī)劃的，而在未來的十年，以數(shù)據(jù)為核心構建的智能化體系會成為支撐智能制造和工業(yè)互聯(lián)網(wǎng)的核心動力。而想要理解大數(shù)據(jù)，就需要理解大數(shù)據(jù)相關的查詢、處理、機器學習、圖計算和統(tǒng)計分析等。Apache Spark作為新一代輕量級大數(shù)據(jù)快速處理平臺，集成了大數(shù)據(jù)相關的各種能力，是理解大數(shù)據(jù)的首選。

簡單來講，Spark就是一個快速、通用的大規(guī)模數(shù)據(jù)處理引擎，各種不同的應用，如實時流處理、機器學習、交互式查詢等，都可以通過Spark 建立在不同的存儲和運行系統(tǒng)上。今天的格物匯，就帶大家來認識一下如日中天、高速發(fā)展的大數(shù)據(jù)處理明星——Spark。

• 2009年，Spark誕生于伯克利大學AMPLab，最開初屬于伯克利大學的研究性項目，最開始Spark只是一個實驗性的項目，代碼量非常少，僅有3900行代碼左右，屬于輕量級的框架。

• 2010年，伯克利大學正式開源了Spark項目。

• 2013年6月，Spark成為了Apache基金會下的項目，進入高速發(fā)展期,第三方開發(fā)者貢獻了大量的代碼，活躍度非常高。

• 2014年2月，Spark以飛快的速度稱為了Apache的頂級項目。

• 2014年5月底Spark1.0.0發(fā)布。

• 2016年6月Spark2.0.0發(fā)布

• 2018年11月 Spark2.4.0 發(fā)布

Spark作為Hadoop生態(tài)中重要的一員，其發(fā)展速度堪稱恐怖，從誕生到成為Apache頂級項目不到五年時間，不過在如今數(shù)據(jù)量飛速增長的環(huán)境與背景下，Spark作為高效的計算框架能收到如此大的關注也是有所依據(jù)的。

Spark通過使用先進的DAG調(diào)度器、查詢優(yōu)化器和物理執(zhí)行引擎，可以高性能地進行批量及流式處理。使用邏輯回歸算法進行迭代計算，Spark比Hadoop速度快100多倍。

Spark目前支持多種編程語言，比如Java、Scala、Python、R。熟悉其中任一門語言的都可以直接上手編寫Spark程序，非常方便。還支持超過80種高級算法，使用戶可以快速構建不同應用。并且Spark還支持交互式的Python和Scala的Shell，這意味著可以非常方便的在這些Shell中使用Spark集群來驗證解決問題的方法，而不是像以前一樣，需要打包、上傳集群、驗證等。這對于原型開發(fā)非常重要。

Spark 目前主要由四大組件，如下：

• Spark SQL：SQL on Hadoop，能夠提供交互式查詢和報表查詢，通過JDBC等接口調(diào)用；

• Spark Streaming:：流式計算引擎；

• Spark MLlib：機器學習庫；

• Spark GraphX：圖計算引擎。

擁有這四大組件，成功解決了大數(shù)據(jù)領域中，離線批處理、交互式查詢、實時流計算、機器學習與圖計算等最重要的任務和問題，這些不同類型的處理都可以在同一應用中無縫使用。Spark統(tǒng)一的解決方案非常具有吸引力，畢竟任何公司都想用統(tǒng)一的平臺處理問題，減少開發(fā)和維護的人力成本和部署平臺的物理成本。當然還有，作為統(tǒng)一的解決方案，Spark并沒有以犧牲性能為代價。相反，在性能方面Spark具有巨大優(yōu)勢。

Spark可以運行在standalone、YARN、Mesos、Kubernetes及EC2多種調(diào)度平臺上。其中Standalone模式不依賴第三方的資源管理器和調(diào)度器，這樣降低了Spark的使用門檻，使得所有人可以非常容易地部署和使用Spark。

Spark可以處理所有Hadoop支持的數(shù)據(jù)，包括HDFS、Apach HBase、Apach Kudu、Apach Cassanda等。這對于已部署Hadoop集群的用戶特別重要，因為不需要做任何數(shù)據(jù)遷移就可以使用Spark強大的處理能力。

Spark與MapReduce 同為計算框架，但作為后起之秀，Spark借鑒了MapReduce,并在其基礎上進行了改進，使得算法性能明顯優(yōu)于MapReduce，下面大致總結一下兩者差異：

1)Spark把運算的中間數(shù)據(jù)存放在內(nèi)存，迭代計算效率更高；MapReduce的中間結果需要落地到磁盤，磁盤io操作多，影響性能。

2)Spark容錯性高，它通過Lineage機制實現(xiàn)RDD算子的高效容錯，某一部分丟失或者出錯，可以通過整個數(shù)據(jù)集的計算流程的血緣關系來實現(xiàn)重建；MapReduce的話容錯可能只能重新計算了，成本較高。

3)Spark更加通用，Spark提供了transformation和action這兩大類的多個功能算子，操作更為方便；MapReduce只提供了map和reduce兩種操作。

4）Spark框架和生態(tài)更為復雜，首先有RDD、血緣lineage、執(zhí)行時的有向無環(huán)圖DAG、stage劃分等等，很多時候spark作業(yè)都需要根據(jù)不同業(yè)務場景的需要進行調(diào)優(yōu)已達到性能要求；MapReduce框架及其生態(tài)相對較為簡單，對性能的要求也相對較弱，但是運行較為穩(wěn)定，適合長期后臺運行。

工業(yè)互聯(lián)網(wǎng)帶來了工業(yè)數(shù)據(jù)的快速發(fā)展，對于日益增加的海量數(shù)據(jù)，傳統(tǒng)單機因本身的軟硬件限制無法應對海量數(shù)據(jù)的處理、分析以及深度挖掘，但作為分布式計算框架的Spark卻能輕松應付這些場景。在工業(yè)互聯(lián)網(wǎng)平臺上，Spark 既能快速實現(xiàn)工業(yè)現(xiàn)場海量流數(shù)據(jù)的處理轉(zhuǎn)換，又能輕松應對工業(yè)大數(shù)據(jù)平臺中海量數(shù)據(jù)的快速批處理分析，自身集成的機器學習框架能夠對海量工業(yè)數(shù)據(jù)進行深度挖掘分析，從而幫助管理者進行決策分析。

基于Spark框架自身的優(yōu)良設計理念以及社區(qū)的蓬勃發(fā)展狀態(tài)，相信未來Spark會在工業(yè)互聯(lián)網(wǎng)平臺扮演越來越重要的角色。

本文作者：黃歡，格創(chuàng)東智大數(shù)據(jù)工程師 （轉(zhuǎn)載請注明來源及作者）