Apache Spark 2.3 重要特性介绍

为了继续实现 Spark 更快，更轻松，更智能的目标，Spark 2.3 在许多模块都做了重要的更新，比如 Structured Streaming 引入了低延迟的连续处理（continuous processing）；支持 stream-to-stream joins；通过改善 pandas UDFs 的性能来提升 PySpark；支持第四种调度引擎 Kubernetes clusters（其他三种分别是自带的独立模式Standalone，YARN、Mesos）。除了这些比较具有里程碑的重要功能外，Spark  2.3 还有以下几个重要的更新：

• 引入 DataSource v2 APIs [SPARK-15689, SPARK-20928]
• 矢量化(Vectorized)的 ORC reader [SPARK-16060]
• Spark History Server v2 with K-V store [SPARK-18085]
• 基于 Structured Streaming 的机器学习管道API模型 [SPARK-13030, SPARK-22346, SPARK-23037]
• MLlib 增强 [SPARK-21866, SPARK-3181, SPARK-21087, SPARK-20199]
• Spark SQL 增强 [SPARK-21485, SPARK-21975, SPARK-20331, SPARK-22510, SPARK-20236]

这篇文章将简单地介绍上面一些高级功能和改进，更多的特性请参见 Spark 2.3 release notes：https://spark.apache.org/releases/spark-release-2-3-0.html。

毫秒延迟的连续流处理

Apache Spark 2.0 的 Structured Streaming 将微批次处理(micro-batch processing)从它的高级 APIs 中解耦出去，原因有两个：首先，开发人员更容易学习这些 API，不需要考虑这些 APIs 的微批次处理情况;其次，它允许开发人员将一个流视为一个无限表，他们查询流的数据，就像他们查询静态表一样简便。

但是，为了给开发人员提供不同的流处理模式，社区引入了一种新的毫秒级低延迟(millisecond low-latency)模式：连续模式(continuous mode)。

在内部，结构化的流引擎逐步执行微批中的查询计算，执行周期由触发器间隔决定，这个延迟对大多数真实世界的流应用程序来说是可以容忍的。

 

 

对于连续模式，流读取器连续拉取源数据并处理数据，而不是按指定的触发时间间隔读取一批数据。通过不断地查询源数据和处理数据，新的记录在到达时立即被处理，将等待时间缩短到毫秒，满足低延迟的应用程序的需求，具体如下面图所示：

 

 

目前连续模式支持 map-like Dataset 操作，包括投影(projections)、selections以及其他 SQL 函数，但是不支持 current_timestamp(), current_date() 以及聚合函数。它还支持将 Kafka 作为数据源和数据存储目的地(sink)，也支持 console 和 memory sink。

现在，开发人员可以根据延迟要求选择模式连续或微量批处理，来构建大规模实时流式传输应用程序，同时这些系统还能够享受到 Structured Streaming 提供的 fault-tolerance 和 reliability guarantees 特性。

简单来说，Spark 2.3 中的连续模式是实验性的，它提供了以下特性：

端到端的毫秒级延迟
至少一次语义保证
支持 map-like 的 Dataset 操作

流与流进行Join

Spark 2.0 版本的 Structured Streaming 支持流 DataFrame/Dataset 和静态数据集之间的 join，但是 Spark 2.3 带来了期待已久的流和流的 Join 操作。支持内连接和外连接，可用在大量的实时场景中。

广告收益是流与流进行Join的典型用例。例如，展示广告流和广告点击流共享您希望进行流式分析的公共关键字(如adId)和相关数据，根据这些数据你可以分析出哪些广告更容易被点击。

 

 

这个例子看起来很简答，但是实现流和流的Join需要解决很多技术难题，如下：

需要缓存延迟的数据，直到从其他流中找到匹配的事件;
通过 watermark 机制来限制缓存区使用增长;
用户可以在资源使用和延迟之间作出权衡;
静态连接和流式连接之间保持一致的SQL连接语义。

Apache Spark 和 Kubernetes

Apache Spark 和 Kubernetes 结合了它们的功能来提供大规模的分布式数据处理一点都不奇怪。在 Spark 2.3 中，用户可以利用新的 Kubernetes scheduler backend 在 Kubernetes 集群上启动 Spark 工作。 这使得 Spark 作业可以和 Kubernetes 集群上的其他作业共享资源。

 

 

此外，Spark 可以使用所有管理功能，例如资源配额(Resource Quotas)，可插拔授权(Pluggable Authorization)和日志记录(Logging)。

 

 

支持 PySpark 的 Pandas UDFs

Pandas UDFs 也称为 Vectorized UDFs，是提升 PySpark 性能的主要推动力。它构建在 Apache Arrow 的基础上，为您提供两全其美的解决方案：低开销和高性能的UDF，并完全使用 Python 编写。

在 Spark 2.3 中，有两种类型的 Pandas UDF：标量(scalar)和分组映射(grouped map)。 两者均可在 Spark 2.3 中使用。

下面是运行的一些基准测试，可以看出 Pandas UDFs 比 row-at-time UDFs 提供更好的性能。

 

 

MLlib 提升

Spark 2.3 包含了许多 MLlib 方面的提升，主要有算法、特性、性能、扩展性以及可用性。这里只介绍其中三方面。

首先，为了将 MLlib 模型和 Pipelines 移动到生产环境，现在拟合的模型(fitted models)和 Pipelines 可以在 Structured Streaming 作业中使用。 一些现有的管道(Pipelines)需要修改才能在流式作业中进行预测。

其次，为了实现许多 Deep Learning 图像分析用例，Spark 2.3 引入了 ImageSchema [SPARK-21866] 用于在 Spark DataFrame中表示图像，以及加载常见格式图像的实用程序。

最后，对于开发人员来说，Spark 2.3 引入了改进的 Python API以编写自定义算法。