一、 Spark的应用现状

1.1   Spark需求背景

随着数据规模的持续增长，数据需求越来越多，原有的以MapReduce为代表的Hadoop平台越来越显示出其局限性。主要体现在2点：

1)  任务执行时间比较长。特别是某些复杂的SQL任务，或者一些复杂的机器学习迭代。

2)  不能很好的支持像机器学习、实时处理这种新的大数据处理需求。

Spark作为新一代大数据处理的计算平台，使得我们可以用Spark这一种平台统一处理数据处理的各种复杂需求，非常好的支持了我们目前现有的业务。与原有MapReduce模型相比，其具有下面3个特点：

1)  充分使用内存作为框架计算过程存储的介质，与磁盘相比大大提高了数据读取速度。利用内存缓存，显著降低算法迭代时频繁读取数据的开销。

2)  更好的DAG框架。原有在MapReduce M-R-M-R的模型，在Spark框架下，更类似与M-R-R,优化掉无用流程节点。

3)  丰富的组件支持。如支持对结构化数据执行SQL操作的组件Spark-SQL，支持实时处理的组件Spark-Streaming，支持机器学习的组件Mllib，支持图形学习的Graphx。

1.2   以Spark为核心的数据平台结构



2.1   基于SparkStreaming的实时处理需求

商业数据部内部有大量的实时数据处理需求，如实时广告收入计算，实时线上ctr预估，实时广告重定向等，目前主要通过SparkStreaming完成。

实时数据处理的第一步，需要有实时的数据。360的用户产品，几乎全国各地都部署有机房，主要有4大主力机房。实时数据的收集过程如下：

1)             使用Apache flume实时将服务器的日志上传至本地机房的Kafka，数据延迟在100ms以内

2)             使用Kafka MirorMaker将各大主力机房的数据汇总至洛阳中心机房，数据延迟在200ms以内。由于公司的网络环境不是很好，为了保证低延迟，在MirorMaker机房的机器上，申请了带宽的QOS保证，以降低延迟。

数据处理的实时链路如所示:

1)  1种方式是通过Apache Flume实时写入Hdfs，用于第二天全量数据的离线计算

2)  1种方式是通过SparkSteaming实时处理，处理后数据会回流至Kafka或者Redis，便于后续流程使用。



2.2   基于SparkSQL和DataFrame的数据分析需求

SparkSQL是Spark的核心组件，作为新一代的SQL on Hadoop的解决方案，完美的支持了对现有Hive数据的存取。在与Hive进行集成的同时，Spark SQL也提供了JDBC/ODBC接口，便于第三方工具如Tableau、Qlik等通过该接口接入Spark SQL。

由于之前大部分数据分析工作都是通过使用hive命令行完成的，为了将迁移至SparkSQL的代价最小，360系统部的同事开发了SparkSQL的命令行版本spark-hive。原有的以hive 命令运行的脚本，简单的改成spark-hive便可以运行。360系统部的同事也做了大量兼容性的工作。spark-hive目前已经比较稳定，成为数据分析的首选。

DataFrame是Spark 1.3引入的新API，与RDD类似，DataFrame也是一个分布式数据容器。

但与RDD不同的是，DataFrame除了数据以外，还掌握更多数据的结构信息，即schema。同时，与Hive类似，DataFrame也支持嵌套数据类型(struct、array和map)。从API易用性的角度上 看，DataFrame API提供的是一套高层的关系操作，比函数式的RDD API要更加友好，门槛更低。

大数据开发过程中，可能会遇到各种类型的数据源，而DataFrame与生俱来就支持各种数据类型，如下图，包括JSON文件、Parquet文件、Hive表格、本地文件系统、分布式文件系统(HDFS)以及云存储(S3)。同时，配合JDBC，它还可以读取外部关系型数据库系统如Mysql，Oracle中的数据。对于自带Schema的数据类型，如Parquet，DataFrame还能够自动解析列类型。

通过组合使用DataFrame和SparkSQL，与MapReduce比较大大减少了代码行数，同时执行效率也得到了提升。如下示例是处理广告主位置信息的scala代码。

 

2.3   基于MLLib的机器学习需求

360DMP提供人群扩展功能(Look-alike)。所谓人群扩展，是基于广告主创建的种子用户，根据这些种子用户的特征，挖掘、筛选、识别、拓展更多具有相似特征的用户，以增加广告的受众。

业界的Look-alike有2种做法。第一种做法就是显性的定位。广告主先选中一部分种子用户，根据种子用户的标签再定位扩展一部分其他用户。比如如果种子用户选择的都是“化妆品-护肤”这个标签，那么根据这个标签可以找到其他的用户，作为扩展用户。这种做法的缺点是不够精确，扩展出来的用户过大。第二种方法是通过一个机器学习的模型，将问题转化为机器学习模型，来定位广告主的潜在用户。我们采用的是这种方法。

在做Look-alike的过程中，用到了Spark中的Mlilib库。Mlilib算法库的核心库如上，选择的是Classification中LR算法，主要原因有两个：

1)模型比较简单，易于理解和实现

2)模型训练起来速度比较快，时间可控。

LookAlike的第一步是建立模型。在这里，广告主会首先提交一批种子用户，作为机器学习的正样本。其他的非种子用户作为负样本。于是问题就转化为一个二分类的模型，正负样本组成学习的样本。训练模型之后，通过模型预测，最后得到广告主需要的目标人群。

三、部分经验总结

3.1 使用Direct模式处理kafka数据

SparkStreaming读取Kafka数据时，有两种方法：Direct和Receiver。我们选择的是Direct方法。与基于Receiver的方法相比，Direct具有以下优点：1)简化并行性：无需创建多个输入Kafka流和联合它们。使用directStream，Spark Streaming将创建与要消费的Kafka分区一样多的RDD分区，这将从Kafka并行读取数据。因此，Kafka和RDD分区之间存在一对一映射，这更容易理解和调整。2)效率：在第一种方法中实现零数据丢失需要将数据存储在预写日志中，该日志进一步复制数据。这实际上是低效的，因为数据有效地被复制两次。第二种方法消除了问题，因为没有接收器，因此不需要预写日志。

3)Exactly-once语义：第一种方法使用Kafka的高级API在Zookeeper中存储消耗的偏移量。这是传统上消费Kafka数据的方式。虽然这种方法(与预写日志结合)可以确保零数据丢失(即至少一次语义)，但是一些记录在一些故障下可能被消费两次，这是因为Spark Streaming可靠接收的数据与Zookeeper跟踪的偏移之间存在不一致。因此，在第二种方法中，我们使用不基于Zookeeper的简单的Kafka API，偏移由Spark Streaming在其检查点内跟踪。这消除了Spark Streaming和Zookeeper / Kafka之间的不一致，所以每个记录被Spark Streaming有效地接收一次。

Direct方法需要自己控制消费的kafka offset，参考代码如下。

 

3.2 SparkSQL中使用Parquet

相比传统的行式存储引擎，列式存储引擎因其更高的压缩比，更少的IO操作而越来越受到重视。这是因为在互联网公司的大数据应用中，大部分情况下，数据量很大并且数据字段数目比较多，但是大部分查询只是查询其中的部分行，部分列。这个时候，使用列式存储就能极大的发挥其优势。

Parquet是Spark中优先支持的列存方案。与使用文本相比，Parquet 让 Spark SQL 的性能平均提高了 10 倍，这要感谢初级的读取器过滤器、高效的执行计划，以及 Spark 1.6.0 中经过改进的扫描吞吐量。

SparSQL的Parquet的几个操作：

1)创建Parquet格式的Hive表

CREATE TABLE parquet_table(age INT, name STRING) STORED AS

2)读取Parquet格式的文件

val sqlContext = new org.apache.spark.sql.SQLContext(sc)  sqlContext.read.parquet("/input/parquet")

3)保存为Parquet格式文件

df.write.parquet("/output/parquet")

3.3 Spark参数调优

1)spark.sql.shuffle.partitions：在做Join或者Group的时候，可以通过适当提高该值避免数据倾斜。

2)spark.testing.reserveMemory：Spark executor jvm启动的时候，会默认保留一部分内存，默认为300m。适当的减少这个值，可以增加 spark执行时Storage Memory的值。设置方式是启动spark shell的时候加上参数：--conf spark.testing.reservedMemory= 104857600。

3)spark.serializer:Spark内部会涉及到很多对数据进行序列化的地方，默认使用的是Java的序列化机制。Spark同时支持使用Kryo序列化库，Kryo序列化类库的性能比Java序列化类库的性能要高很多。官方介绍，Kryo序列化机制比Java序列化机制，性能高10倍左右。Spark之所以默认没有使用Kryo作为序列化类库，是因为Kryo要求最好要注册所有需要进行序列化的自定义类型，因此对于开发者来说，这种方式比较麻烦。设置方法是conf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")。

关于作者：

王晓伟，360大数据开发工程师，从事大数据相关平台开发和数据仓库开发，曾经为多个开源框架，如Yarn、Pig、Hive、Tez贡献代码。