共築Spark大資料引擎的七大工具

標籤：

Spark正在資料處理領域捲起一場風暴。讓我們通過本篇文章，看看為Spark的大資料平台起到推波助瀾的幾個重要工具。

Spark生態系統眾生相
Apache Spark不僅僅讓大資料處理起來更快，還讓大資料處理起來更簡單、功能更強大、更方便。Spark並非只是一項技術，它結合了諸多部分，新的功能和效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生態系統的每個主要部分：每個部分的功能，為什麼很重要，是如何發展的，在哪方面不盡如人意，以及可能會往哪個方向發展。

?Spark Core
Spark的核心是恰如其名的Spark Core。除了協調和調度作業外，Spark Core還為Spark中的資料處理提供了基本的抽象機制，名為彈性分布式資料集(RDD)。
RDD對資料執行兩個動作：轉換和操作。前者轉換資料，並將它們作為剛創新的RDD來提供;後者根據現有的RDD(比如對象數量)來計算結果。
Spark的速度很快，原因是轉換和操作都儲存在記憶體中。操作慢騰騰地評估，這意味著只有需要相關的資料時，才執行操作;然而，很難搞清楚什麼在緩慢運行。
Spark的速度在不斷提高。Java的記憶體管理往往給Spark帶來問題，於是Project Tungsten計劃避開JVM的記憶體和垃圾收集子系統，以此提高記憶體效率。

?Spark API
Spark主要是用Scala編寫的，所以Spark的主要API長期以來也支援Scala。不過另外三種使用廣泛得多的語言同樣得到支援：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援。只有一個例外：相比之下，SparkR中對機器學習的支援不大給力，目前只有一小批演算法可供使用。不過將來這種情況勢必會發生變化。

?Spark SQL
千萬不要低估了能夠對批量資料執行SQL查詢的能力或便利。Spark SQL提供了對Spark提供的資料執行SQL查詢(並且請求列式DataFrame)的一種通用機制，包括通過ODBC/JDBC串連件進行管道處理的查詢。你甚至不需要正規的資料來源。Spark 1.6中添加了這一功能：支援以一種得到支援的格式查詢扁平檔案，就像Apache Drill那樣。
Spark SQL其實並不用於更新資料，因為那與Spark的整個意義相悖。可以將因而產生的資料寫回成新的Spark資料來源(比如新的Parquet表)，但是UPDATE查詢並不得到支援。別指望諸如此類的功能特性很快就會推出;著眼於Spark SQL的改進大多數用於提升其效能，因為它也成了Spark Streaming的基礎。
?
?Spark Streaming
Spark的設計讓它得以支援許多處理方法，包括流處理――Spark Streaming因此得名。關於Spark Steaming的傳統觀點是，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資料處理解決方案(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的推特此後已改用了自己的項目Heron。此外，Spark 2.0承諾會推出一種新的“結構化資料流”模式，以便對即時資料進行互動式Spark SQL查詢，包括使用Spark的機器學習庫。至於其效能是否高得足以擊敗競爭者仍需拭目以待，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中的資料運行許多常見的機器學習演算法，從而使這些類型的分析容易得多，也更容易被Spark使用者所使用。
MLlib中的可用演算法數量眾多，該架構每推出一個修訂版，就會隨之增多。話雖如此，一些類型的演算法還是沒有――比如說，涉及深度學習的任何演算法。第三方正在利用Spark的人氣來填補這一空白;比如說，雅虎可以藉助CaffeOnSpark執行深度學習，它通過Spark充分利用了Caffe深度學習系統。

?GraphX(圖形計算)
描繪數百萬實體之間的關係通常需要圖形，這種資料構件描述了那些實體之間的相互關係。Spark的GraphX API讓你可以使用Spark的一套方法，對資料執行圖形操作，於是構建和轉換這類圖形的繁重任務卸載到了Spark。GraphX還包括用於處理資料的幾種常見演算法，比如PageRank或標籤傳播(label propagation)。
從目前來看，GraphX的一個主要限制是，它最適合靜態圖形。處理添加了新頂點的圖形會嚴重影響效能。此外，如果你已經在使用一種成熟的圖形資料庫解決方案，GraphX還不太可能取代它。

?SparkR(Spark上的R)
R語言為進行統計數值分析和機器學習工作提供了一種環境。Spark在2015年6月添加了支援R的功能，以匹配其支援Python和Scala的功能。
除了為潛在的Spark開發人員多提供一種語言外，SparkR還讓R程式員們可以做之前做不了的許多事情，比如訪問超過單一機器的記憶體容量的資料集，或者同時輕鬆地使用多個進程或在多個機器上運行分析。
SparkR還讓R程式員可以充分利用Spark中的MLlib機器學習模組，建立一般的線性模型。遺憾的是，並非所有的MLlib功能在SparkR中得到支援，不過Spark每推出一個後續的修訂版，都在填補R支援方面的差距。

?原文標題：7 tools to fire up Spark‘s big data engine
【51CTO譯稿，合作網站轉載請註明原文譯者和出處為51CTO.com】

共築Spark大資料引擎的七大工具