阿里云hadoopspark集群(apache spark数据分析教程)

本文介绍了“Apache Spark的Lambda架构示例分析”的知识。很多人在实际案例的操作中会遇到这样的困难。接下来，让边肖带领大家学习如何应对这些情况！希望大家认真阅读，学点东西！

Apache Hadoop简史

Apache Hadoop是由Apache软件基金会于2005年秋季作为Lucene的子项目Nutch的一部分正式引入的。它的灵感来自* *地图/减少和谷歌实验室开发的谷歌文件系统(GFS)。这已经是一个独立的项目10年了。

目前，许多客户已经实现了基于Hadoop的M/R管道，并已成功运行至今：

ozie的工作流程每天运行，处理超过150TB的数据并生成分析报告。

Bash的工作流每天运行，处理超过8TB的数据并生成分析报告。

2016年来了!

2016年商业现实发生了变化，你做决定的速度越快，价值就越大。此外，技术本身也在发展。Kafka、Storm、Trident、Samza、Spark、Flink、Parquet、Avro、云提供商等等都成为了工程师们的流行语。

因此，现代基于Hadoop的M/R管道可能如下图所示：

图中的M/R通道看起来不错，但实际上还是传统的批量处理，存在传统批量处理的弊端。当新数据不断进入系统时，仍然需要大量的时间来处理。

Lambda 架构

针对上述问题，Nathan Marz提出了一种通用的、可扩展的、容错的数据处理架构，即Lambda架构，该架构采用批处理和流处理的方法处理大量数据。Nathan Marz的书从源代码的角度详细介绍了Lambda架构。

层结构

这是Lambda架构的自顶向下的层结构：

进入系统后，所有数据被分配到批处理层和速度层进行处理。批处理层管理主数据集(只能添加的不可更改的原始数据集)并预先计算批处理视图。服务层为批处理视图编制索引，以便可以进行低延迟的临时查询。速度层只处理最近的数据。的所有查询结果必须结合批处理视图和实时视图的查询结果。

大意

很多工程师认为Lambda架构只包含层结构和定义数据流，但是Nathan Marz的书向我们介绍了其他几个要点：

分布式思维

避免增量结构。

数据的不变性

创建重新计算算法

数据相关性

如前所述，任何查询结果都必须从批处理视图和实时视图中合并，因此这些视图必须是可合并的。这里需要注意的是，实时视图是以前的实时视图和新数据增量的函数，所以这里使用增量算法，批处理视图是所有数据的函数，所以应该使用重新计算算法。

权衡

世间万物都在不断的妥协与平衡中发展，Lambda结构也不例外。一般来说，我们需要解决几个主要的权衡问题：

完全重新计算 vs.部分重新计算

在某些情况下，可以使用布隆过滤器来避免完全重新计算。

重计算算法 vs. 增量算法

增量算法其实很有吸引力，但有时候根据准则，我们不得不使用重新计算算法，即使很难得到同样的结果。

加法算法 vs. 近似算法

虽然Lambda架构可以很好地与加法算法配合使用，但在某些情况下更适合使用近似算法，例如使用HyperLogLog处理计数-distinct问题。

实现

p>实现Lambda架构的方法有很多，因为每个层的底层解决方案是独立的。每个层需要底层实现的特定功能，有助于做出更好的选择并避免过度决策：

• 批量层：一次写入，批量读取多次

• 服务层：支持随机读取但不支持随机写入; 批量计算和批量写入

• 速度层：随机读写; 增量计算

例如，其中一个实现(使用Kafka，Apache Hadoop，Voldemort，Twitter Storm，Cassandra)可能如下所示：

Apache Spark

Apache Spark被视为在所有Lambda架构层上进行处理的集成解决方案。 其中Spark  Core包含了高级API和支持常规执行图的优化引擎，SparkSQL用于SQL和结构化数据处理，Spark  Streaming支持实时数据流的可扩展，高吞吐量，容错流处理。  当然，使用Spark进行批处理的价格可能比较高，而且也不是所有的场景和数据都适合。但是，总体来说Apache Spark是对Lambda架构的合理实现。

示例应用

我们创建一个示例应用程序来演示Lambda架构。这个示例的主要目的统计从某个时刻到现在此刻的#morningatlohika  tweets哈希标签。

批处理视图

为了简单起见，假设我们的主数据集包含自时间开始以来的所有tweets。  此外，我们实现了一个批处理，创建了我们的业务目标所需的批处理视图，因此我们有一个预计算的批处理视图，其中包含与#morningatlohika一起使用的所有主题标记的统计信息：

因为数字方便记忆，所以我使用对应标签的英文单词的字母数目作为编号。

实时视图

当应用程序启动并运行时，有人发出了如下的tweet:

在这种情况下，正确的实时视图应包含以下标签及其统计信息(在我们的示例中为1，因为相应的hash标签只使用了一次)：

查询

当终端用户查询hash标签的统计结果时，我们只需要将批量视图与实时视图合并起来。 所以输出应该如下所示：

场景

示例场景的简化步骤如下：

• 通过Apache Spark创建批处理视图(.parquet)

• 在Apache Spark中缓存批处理视图

• 流应用程序连接到Twitter

• 实时监控#morningatlohika tweets

• 构建增量实时视图

• 查询，即合并批处理视图和实时视图

技术细节

源代码基于Apache Spark 1.6.x，(在引入结构化流之前)。 Spark Streaming架构是纯微型批处理架构：

所以处理流应用程序时，我使用DStream连接使用TwitterUtils的Twitter：

在每个微批次(使用可配置的批处理间隔)，对新的tweets中hashtags的统计信息的计算，并使用updateStateByKey()状态转换函数更新实时视图的状态。  为了简单起见，使用临时表将实时视图存储在存储器中。

查询服务反映批处理和实时视图的合并：

输出

文章开头提到的基于Hadoop的M/R管道使用Apache Spark来优化：

后记：

正如之前提到的Lambda Architecture有其优点和缺点，所以支持者和反对者都有。  有些人说批处理视图和实时视图有很多重复的逻辑，因为最终他们需要从查询角度创建可合并的视图。 所以他们创建了一个Kappa架构，并称其为Lambda架构的简化版。  Kappa架构系统是删除了批处理系统，取而代之的是通过流系统快速提供数据：

但即使在这种情况下，Kappa Architecture中也可以应用Apache Spark，例如流处理系统：

“Apache Spark的Lambda架构示例分析”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注网站，小编将为大家输出更多高质量的实用文章！