Apache Spark 2.2.0新特性详细介绍

Apache Spark 2.2.0 经过了大半年的紧张开发，从RC1到RC6终于在今天正式发布了。由于时间的缘故，我并没有在《Apache Spark 2.2.0正式发布》文章中过多地介绍 Apache Spark 2.2.0 的新特性，本文作为补充将详细介绍ApacheSpark 2.2.0 的新特性。

这个版本是 Structured Streaming 的一个重要里程碑，因为其终于可以正式在生产环境中使用，实验标签(experimental tag)已经被移除。在流系统中支持对任意状态进行操作;Apache Kafka 0.10 的 streaming 和 batch API支持读和写操作。除了在 SparkR, MLlib 和 GraphX 里面添加新功能外，该版本更多的工作在系统的可用性(usability)、稳定性(stability)以及代码的润色(polish)并解决了超过 1100 个tickets。

这篇文章中将详细介绍这些新特性，包括：

Structured Streaming的生产环境支持已经就绪;
扩展 SQL 的功能;
R 中引入了新的分布式机器学习算法;
MLlib 和 GraphX 中添加了新的算法

Structured Streaming

Structured Streaming 是从 Spark 2.0 开始引入的，其提供了高层次的API来构建流应用程序;目的是提供一种简单的方式来构建端到端的流应用程序(end-to-end streaming applications)，提供了一致性保证和容错方式。

从 Spark 2.2.0 开始，Structured Streaming 已经为生产环境的支持准备就绪，除了移除了实验性标签，还包括了一些高层次的变化，比如：

Kafka Source and Sink: Apache Kafka 0.10 的 streaming 和 batch API支持读和写操作;
Kafka Improvements: Kafka 到 Kafka 流操作中的producer 支持缓存以实现低延迟;
Additional Stateful APIs: [flat]MapGroupsWithState 操作支持复杂的状态处理以及超时处理;
Run Once Triggers：详情：Running Streaming Jobs Once a Day For 10x Cost Savings

SQL 和 Core APIs

自从 Spark 2.0 发布，Spark 已经成为大数据领域中功能最丰富并且符合标准的SQL查询引擎之一。它可以连接各种数据源，并且可以在这些数据上执行 SQL-2003 标准语句，包括分析函数以及子查询。Spark 2.2 还添加了许多 SQL 新功能，包括：

API 更新: 统一了数据源和hive serde表的 CREATE TABLE 语法;SQL查询支持广播提示(broadcast hints )比如BROADCAST, BROADCASTJOIN, 以及 MAPJOIN;

总体性能和稳定性:

filter、join、aggregate、project 以及 limit/sample 操作支持基于成本优化器的基数统计(Cost-based optimizer cardinality estimation);
使用星型启发式(star-schema heuristics)来提升 TPC-DS 性能;
CSV 和 JSON 文件 listing/IO 性能提升;
HiveUDAFFunction 支持部分集合;
引入基于JVM对象的聚合运算符

其他值得关注的改变:

支持解析多行的JSON 和 CSV 文件
分析分区表的命令

MLlib 和 SparkR

Spark 2.2.0 的最后一大变化主要集中在高级分析，MLlib 和 GraphX 添加了以下的新算法：

局部敏感哈希(Locality Sensitive Hashing)
多级逻辑回归(Multiclass Logistic Regression)
个性化PageRank(Personalized PageRank)

Spark 2.2.0还在 SparkR 中添加了以下分布式算法：

交替最小二乘(ALS，Alternating Least Squares )
保序回归(Isotonic Regression)
多层感知分类器(Multilayer Perceptron Classifier)
随机森林(Random Forest)
高斯混合模型(Gaussian Mixture Model)
线性判别式分析(Linear Discriminant Analysis, LDA)
多级逻辑回归(Multiclass Logistic Regression)
梯度提升树(Gradient Boosted Trees)
Structured Streaming API 支持 R 语言
R 中支持 to_json, from_json
支持Multi-column approxQuantile

随着这些算法的增加，SparkR已经成为 R 中最全面的分布式机器学习库。