2024-09-06

Hands on Spark

Background

进入 21 世纪以来，随着互联网的发展，各类社交媒体，科技软件，传感器等工具一刻不停地生成着越来越多地数据。有一个说法是:

人类现有 90% 的数据来自于过去两年。

这些数据不管是否得到了很好的利用，谁也不能否认它们可以带来的高价值，特别是现阶段以数据和能源作为养料的 artificial intelligence。

大数据集对传统单机数据库造成了不小的麻烦，面对如何处理大量数据并从中洞见到有价值信息的需求，Google 三篇论文——Google File System at 2003, MapReduce at 2004, Bigtable at 2006 启发了无数贡献者，推出了一个又一个大数据开源项目，为人类掀开了大数据时代的巨幕。

其中，受 Google File System 和 MapReduce 启发，Yahoo 的一组工程师在 2006 年开源了 Hadoop， Hadoop 引入了两个技术，分布式存储 (HDFS) 和分布式计算 (MapReduce) ——将大文件切分成小块，分布保存在集群中的多个机器上，每个小块文件备份成多份以防某个节点出错导致文件丢失；处理计算任务时，也将任务分成多个单元，由多个 Excutor 分别执行计算操作，再将结果合并在一起。

这种处理方法利用大量廉价机器使得大数据计算得以实现。但由于其内在机制限制，大量的中间计算结果需要落地磁盘，过程中产生的 I/O 导致整个计算花费大量的时间。随着计算机硬件成本的降低，Spark 作为一个内存计算引擎，凭借其更加高效的计算的优势逐渐取代了 MapReduce 的功能。

Apache Spark

Intro

Apache Spark 是由加州大学伯克利分校的一些研究员在 2009 年推出的一个研究项目，目的就是为了解决 Hadoop 的上述限制。Spark 推出了一个 RDD(Resilient Distributed Dataset) 的概念，使数据得以数据集的形式存储在内存中，使得数据读取和处理都更加快速。

Language

Spark 源码是由 Scala 语言编写，但提供了 Python, Scala, Java, R 的 API 接口进行编程。Python 由于其易用性、丰富的资源库以及和 Data Science, Machine Learning 的紧密结合，其已经成为 Spark 主推的编程语言。下面的演示都以 Python 为例。

Installation

Make sure java is installed on your system PATH, or the JAVA_HOME environment variable pointing to a Java installation.

sudo apt install default-jre

pip install pyspark

Concepts

Spark 任务的运行模式

• Local Mode: 单机运行，资源有限，适合用于手动调试；

spark-submit word_count.py

python word_count.py

spark-submit --master local[*] word_count.py

• Client Mode: 任务的 Driver 在本地运行，实际计算任务分发到集群中的 Worker 节点运行，由于 Driver 在本地运行，可以方便地查看日志和调试信息；

spark-submit --master yarn --deploy-mode client word_count.py

spark-submit --master spark://<master-url>:<port> --deploy-mode client word_count.py

spark-submit --master k8s://<master-url>:<port> --deploy-mode client word_count.py

• Cluster Mode: 提交任务到分布式集群运行，可以利用更高的计算性能，适用于生产环境；

spark-submit --master yarn --deploy-mode cluster word_count.py

spark-submit --master spark://<master-url>:<port> --deploy-mode cluster word_count.py

spark-submit --master k8s://<master-url>:<port> --deploy-mode cluster word_count.py

Spark 资源管理器

Spark 资源管理器负责分配和调度集群资源(CPU, Memory, Disk, Network)

1. Standalone: 默认的资源管理器；
2. YARN: 由 Hadoop 提供；
3. Mesos(Deprecated): 由 Apache Mesos 提供;
4. Kubernetes: 由 Kubernetes 提供

Spark 任务物理运行原理

1. 客户端提交任务

用户通过 spark-submit 命令提交一个 Spark 应用程序。这个应用程序包含了用户的代码和依赖项。

2. Driver 进程启动

Spark 应用程序在 Driver 进程中启动。Driver 负责以下任务：

• 解析用户代码: 解析并执行用户代码中的 transformation 和 action 操作；
• 生成 DAG: 将用户代码中的一系列 transformation 操作转换为一个有向无环图（DAG）；
• 任务调度: 将 DAG 划分为多个阶段（stages），每个阶段包含一组可以并行执行的任务（tasks）。

3. 资源管理器分配资源

Driver 向集群的资源管理器（如 YARN、Mesos 或 Kubernetes）请求资源。资源管理器分配资源并启动 Executor 进程。

4. Executor 进程启动

Executor 进程在集群的工作节点（Worker Nodes）上启动。每个 Executor 负责以下任务：

• 执行任务: 执行由 Driver 分配的任务；
• 存储数据: 缓存和存储中间结果数据；
• 报告状态: 向 Driver 报告任务的执行状态和结果。

5. 任务执行

Driver 将任务分配给各个 Executor。任务的执行过程如下：

• 读取数据: 从数据源（如 HDFS、S3、Kafka 等）读取数据；
• 执行计算: 根据用户代码中的 transformation 操作对数据进行处理；
• 写入结果: 将计算结果写入到指定的存储位置（如 HDFS、S3、数据库等）。

6. 任务监控和容错

Spark 提供了多种机制来监控和处理任务的执行：

• 任务重试: 如果某个任务失败，Spark 会自动重试该任务；
• 数据备份: Spark 会将数据分片（partitions）备份到多个节点，以防止数据丢失；
• 监控工具: Spark 提供了 Web UI 和其他监控工具，帮助用户监控任务的执行状态和性能。

7. 任务完成

当所有任务都成功完成后，Driver 会将最终结果返回给用户或写入到指定的存储位置。然后，Driver 和 Executor 进程会正常退出，释放资源。

Usage scenarios

Spark SQL

Spark SQL 是 Spark 用于处理结构化数据的模块，它提供了一个编程抽象，支持 SQL 查询、Dataframe API 和 Dataset API，而不需要了解底层分布式计算的细节。

它与 RDD 的不同在于：

1. RDD 提供了底层的 RDD API，用户需要编写更多的代码来进行数据处理，适合处理非结构化数据；Spark SQL 将数据抽象为 Dataframe 或 Dataset，提供了更高级的优化和执行策略；
2. RDD 类型安全，DataFrame API 是非类型安全的，Dataset API 提供了类型安全的操作；
3. Spark SQL 支持 Hive、Avro、Parquet、ORC、JSON、JDBC 等多种数据源，而 RDD 需要用户自己实现对不同数据源的支持；

使用 Dataframe API 案例

# Import necessary libraries
from pyspark.sql import SparkSession
from pyspark.sql.functions import col, regexp_replace

# Create a Spark session
spark = SparkSession.builder.appName("SparkSQLExample").getOrCreate()

# Read CSV data into a DataFrame
ark_holdings_df = spark.read.csv(path="test_file/ark_holdings.csv", 
                    header=True, 
                    inferSchema=True)

# Perform a query
ark_holdings_df = ark_holdings_df \
    .withColumn("market_value", regexp_replace(col("market_value"), "[$,]", "").cast("double"))
result_df = ark_holdings_df \
    .filter(col("market_value") > ark_holdings_df.filter(col("ticker") == "U").select(col("market_value")).first()[0]) \
    .select(col("ticker"), col("market_value")) \
    .orderBy(col("market_value").desc())

# Show the result
result_df.show(15, truncate=False)

# Stop the Spark session
spark.stop()

使用 RDD API 案例

# Import necessary libraries
from pyspark import SparkContext

# Create a Spark context
sc = SparkContext("local", "RDDExample")

# Read CSV data into an RDD
ark_holdings_rdd = sc.textFile("test_file/ark_holdings.csv")

# Perform a query
result_rdd = ark_holdings_rdd.filter(lambda line: "UNITY" in line) \
    .map(lambda line: line.split('"')[1].replace(',', ''))

# Show the result
print(result_rdd.collect())

# Stop the Spark context
sc.stop()

RDD 和 Dataframe 相互转换

# Dataframe 转 RDD
df = spark.read.csv("test_file/ark_holdings.csv", header=True, inferSchema=True)
rdd = df.rdd

# RDD 转 Dataframe
rdd = spark.sparkContext.parallelize([(1, "Alice"), (2, "Bob"), (3, "Cathy")])
# 定义 DataFrame 的 schema
from pyspark.sql import Row
df = rdd.map(lambda x: Row(id=x[0], name=x[1])).toDF()

Action 算子

Spark 有一个特性 Lazy Evaluation，当一个 Spark 操作被提交时，Spark 并不会立即执行任务，而是将任务转换为一系列的 RDD 操作，只有当遇到 Action 算子时，Spark 才会真正执行任务。通过 Lazy Evaluation, Spark 可以优化执行计划，避免存储大量中间结果，提高任务的执行效率。

常见的 RDD action 算子有：collect, count, first, take, takeSample, reduce, fold, aggregate, foreach, saveAsTextFile, saveAsSequenceFile, saveAsObjectFile, countByKey, countByValue, takeOrdered, top, foreachPartition.

常见的 DataFrame action 算子有：collect, count, first, take, show, head, foreach, write, describe, summary, toPandas.

总的来说，Spark SQL 更适合处理结构化数据和需要高效查询优化的场景，而 RDD 更适合处理非结构化数据和需要自定义处理逻辑的场景。

需要特别注意的是，Spark SQL 性能调优需要考虑的因素很多，包括数据倾斜、数据分区、数据格式、数据压缩、数据缓存等，根据实际情况参考 Spark SQL 性能调优 进行调整。

Pandas API on Spark

Pandas API on Spark 是 Spark 提供的用于处理大规模数据集的 API，它提供了与 Pandas 类似的 API，使得用户可以方便地将 Pandas 的代码迁移到 Spark 上运行。

Pandas API on Spark 案例

# Import necessary libraries
from pyspark.sql import SparkSession
import pandas as pd

# Create a Spark session
spark = SparkSession.builder.appName("PandasAPISpark").getOrCreate()

# Create a DataFrame
data = [("Alice", 25), ("Bob", 30), ("Cathy", 35)]
columns = ["name", "age"]
df = spark.createDataFrame(data, columns)

# Convert DataFrame to Pandas DataFrame
pandas_df = df.toPandas()

# Perform operations on Pandas DataFrame
pandas_df['age_12_years_ago'] = pandas_df['age'] - 12

# Convert Pandas DataFrame back to Spark DataFrame
spark_df = spark.createDataFrame(pandas_df)

# Show the result
spark_df.show()

# Stop the Spark session
spark.stop()

MLlib

MLlib 是 Apache Spark 的机器学习库，提供了一系列用于构建和训练机器学习模型的工具和算法。MLlib 旨在简化机器学习的工作流程，并支持大规模数据集的处理。

GraphX

GraphX 是 Apache Spark 的图计算库，旨在处理大规模图数据。GraphX 提供了一个统一的 API，用于图的创建、操作和分析，支持图的并行计算。

Structured Streaming

Structured Streaming 是 Spark 的流处理库，用于构建可扩展的流式数据处理应用程序。Structured Streaming 允许用户以批处理的方式处理流数据，同时保持了与批处理相同的编程模型。

Structured Streaming 案例

1. 环境准备

• 安装 zookeeper, kafka 以及必要的一些依赖包

  brew install zookeeper kafka
  pip install kafka-python
  wget https://repo1.maven.org/maven2/org/apache/spark/spark-sql-kafka-0-10_2.12/3.0.0/spark-sql-kafka-0-10_2.12-3.0.0.jar
  wget https://repo1.maven.org/maven2/org/apache/spark/spark-streaming-kafka-0-10-assembly_2.12/3.0.0/spark-streaming-kafka-0-10-assembly_2.12-3.0.0.jar
  wget https://repo1.maven.org/maven2/org/apache/commons/commons-pool2/2.9.0/commons-pool2-2.9.0.jar
  

• 启动 zookeeper

  zookeeper-server-start /opt/homebrew/etc/kafka/zookeeper.properties
  

• 启动 kafka

  kafka-server-start /opt/homebrew/etc/kafka/server.properties
  

• 创建 topic

  kafka-topics --create --topic structured_streaming_demo --bootstrap-server localhost:9092 --partitions 1 --replication-factor 1
  

• 启动 kafka 生产者

  kafka-console-producer --topic structured_streaming_demo --bootstrap-server localhost:9092
  

• 启动 spark shell

  pyspark --jars jars/spark-sql-kafka-0-10_2.12-3.0.0.jar,jars/spark-streaming-kafka-0-10-assembly_2.12-3.0.0.jar,jars/commons-pool2-2.9.0.jar
  

2. 代码实现

from pyspark.sql import SparkSession
from pyspark.sql.functions import *

# Create SparkSession
spark = SparkSession.builder \
.appName("StructuredStreamingExample") \
.config("spark.sql.streaming.forceDeleteTempCheckpointLocation", 'true') \
.getOrCreate()

# Create DataFrame representing the stream of input data
data = spark \
    .readStream \
    .format("kafka") \
    .option("kafka.bootstrap.servers", "localhost:9092") \
    .option("subscribe", "structured_streaming_demo") \
    .option("startingOffsets", "earliest") \
    .load()

# Select the necessary columns
ark_holdings = data.select(split(data.value, ",")[0].alias("date"), 
                    split(data.value, ",")[1].alias("fund_name"),
                    split(data.value, ",")[2].alias("company_name"),
                    split(data.value, ",")[3].alias("ticker"),
                    split(data.value, ",")[6].alias("shares"),
                    split(data.value, ",")[7].alias("market_value"),
                    split(data.value, ",")[5].alias("weight"))

# if market_value > 1000000, show the data
weight_stock = ark_holdings.filter(col('market_value') > 1000000)

# Start the query to stream the data
query = weight_stock \
.writeStream \
.outputMode("append") \
.format("console") \
.start()

# Wait for the query to finish
query.awaitTermination()

Spark 性能调优

Spark 性能调优是一个复杂的过程，除了代码层面的优化，这是一些配置参数，以下是一些常见的性能调优方法：

资源管理

1. 调整资源分配: 根据集群的资源情况，合理分配 CPU、内存、磁盘和网络资源，确保每个任务都能获得足够的资源；
2. 设置资源预取: 在任务开始前，预先分配好所需的资源，减少任务启动时间；
3. 监控资源使用情况: 使用 Spark 的监控工具，如 Spark Web UI、Ganglia、Prometheus 等，监控集群的资源使用情况，及时发现并解决资源瓶颈。

数据分区

1. 合理设置分区数: 根据数据量和集群的资源情况，合理设置分区数，减少数据倾斜和资源浪费；
2. 数据倾斜: 数据倾斜是指某些分区中的数据量远大于其他分区，导致某些任务运行时间过长，甚至导致任务失败。可以通过增加分区数、调整分区大小、使用随机分区等方式解决数据倾斜问题；
3. 数据预分区: 在数据加载时，根据业务需求和集群的资源情况，合理设置数据分区，减少数据倾斜和资源浪费。

数据格式

1. 选择合适的数据格式: 根据数据的特点和业务需求，选择合适的数据格式，如 Parquet、ORC、Avro 等，减少数据存储和传输的开销；
2. 数据压缩: 使用数据压缩算法，如 Snappy、Gzip、LZO 等，减少数据存储和传输的开销。

数据缓存

1. 合理设置缓存策略: 根据数据的特点和业务需求，合理设置缓存策略，减少数据读取和处理的开销。

To be continued…