基于Spark的数据分析实践

引言：

Spark是在借鉴了MapReduce之上发展而来的，继承了其分布式并行计算的优点并改进了MapReduce明显的缺陷。Spark主要包含了Spark Core、Spark SQL、Spark Streaming、MLLib和GraphX等组件。

本文主要分析了 Spark RDD 以及 RDD 作为开发的不足之处，介绍了 SparkSQL 对已有的常见数据系统的操作方法，以及重点介绍了普元在众多数据开发项目中总结的基于 SparkSQL Flow 开发框架。

目录：

1. Spark RDD
2. 基于Spark RDD数据开发的不足
3. SparkSQL
4. SparkSQL Flow

一、Spark RDD

RDD(Resilient Distributed Dataset)叫做弹性分布式数据集，是Spark中最基本的数据抽象，它代表一个不可变、可分区、元素可并行计算的集合。

RDD具有数据流模型的特点：自动容错、位置感知性调度和可伸缩性。

//Scala 在内存中使用列表创建

val lines = List(“A”, “B”, “C”, “D” …) 
val rdd:RDD = sc.parallelize(lines); 

//以文本文件创建

val rdd:RDD[String] = sc.textFile(“hdfs://path/filename”) 

Spark RDD Partition 分区划分

新版本的 Hadoop 已经把 BlockSize 改为 128M，也就是说每个分区处理的数据量更大。

Spark 读取文件分区的核心原理

本质上，Spark 是利用了 Hadoop 的底层对数据进行分区的 API(InputFormat)：

public abstract class InputFormat<K,V>{ 
 public abstract List<InputSplit> getSplits(JobContextcontext 
 ) throwsIOException,InterruptedException; 
  
 public abstract RecordReader<K,V> createRecordReader(InputSplitsplit, 
 TaskAttemptContextcontext 
 )throwsIOException,InterruptedException; 
} 

Spark 任务提交后通过对输入进行 Split，在 RDD 构造阶段，只是判断是否可 Split(如果参数异常一定在此阶段报出异常)，并且 Split 后每个 InputSplit 都是一个分区。只有在Action 算子提交后，才真正用 getSplits 返回的 InputSplit 通过 createRecordReader 获得每个 Partition 的连接。

然后通过 RecordReader 的 next() 遍历分区内的数据。

Spark RDD 转换函数和提交函数

Spark RDD 的众多函数可分为两大类Transformation 与 Action。Transformation 与 Action 的区别在于，对 RDD 进行 Transformation 并不会触发计算：Transformation 方法所产生的 RDD 对象只会记录住该 RDD 所依赖的 RDD 以及计算产生该 RDD 的数据的方式;只有在用户进行 Action 操作时，Spark 才会调度 RDD 计算任务，依次为各个 RDD 计算数据。这就是 Spark RDD 内函数的“懒加载”特性。

二、基于Spark RDD数据开发的不足

由于MapReduce的shuffle过程需写磁盘，比较影响性能;而Spark利用RDD技术，计算在内存中流式进行。另外 MapReduce计算框架(API)比较局限, 使用需要关注的参数众多，而Spark则是中间结果自动推断，通过对数据集上链式执行函数具备一定的灵活性。

即使 SparkRDD 相对于 MapReduce 提高很大的便利性，但在使用上仍然有许多问题。体现在一下几个方面：

1. RDD 函数众多，开发者不容易掌握，部分函数使用不当 shuffle时造成数据倾斜影响性能;
2. RDD 关注点仍然是Spark太底层的 API，基于 Spark RDD的开发是基于特定语言(Scala，Python，Java)的函数开发，无法以数据的视界来开发数据;
3. 对 RDD 转换算子函数内部分常量、变量、广播变量使用不当，会造成不可控的异常;
4. 对多种数据开发，需各自开发RDD的转换，样板代码较多，无法有效重利用;
5. 其它在运行期可能发生的异常。如：对象无法序列化等运行期才能发现的异常。

三、SparkSQL

Spark 从 1.3 版本开始原有 SchemaRDD 的基础上提供了类似Pandas DataFrame API。新的DataFrame API不仅可以大幅度降低普通开发者的学习门槛，同时还支持Scala、 Java 与 Python 三种语言。更重要的是，由于脱胎自SchemaRDD，DataFrame天然适用于分布式大数据场景。

一般的数据处理步骤：读入数据 -> 对数据进行处理 -> 分析结果 -> 写入结果

SparkSQL 结构化数据

• 处理结构化数据(如 CSV，JSON，Parquet 等);
• 把已经结构化数据抽象成 DataFrame (HiveTable);
• 非结构化数据通过 RDD.map.filter 转换成结构化进行处理;
• 按照列式数据库，只加载非结构化中可结构化的部分列(Hbase，MongoDB);

处理非结构化数据，不能简单的用 DataFrame 装载。而是要用 SparkRDD 把数据读入，在通过一系列的 Transformer Method 把非结构化的数据加工为结构化，或者过滤到不合法的数据。

SparkSQL DataFrame

SparkSQL 中一切都是 DataFrame，all in DataFrame. DataFrame是一种以RDD为基础的分布式数据集，类似于传统数据库中的二维表格。DataFrame与RDD的主要区别在于，前者带有schema元信息，即DataFrame所表示的二维表数据集的每一列都带有名称和类型。如果熟悉 Python Pandas 库中的 DataFrame 结构，则会对 SparkSQL DataFrame 概念非常熟悉。

TextFile DataFrame

import.org.apache.spark.sql._ 
//定义数据的列名称和类型 
valdt=StructType(List(id:String,name:String,gender:String,age:Int)) 
​ 
//导入user_info.csv文件并指定分隔符 
vallines = sc.textFile("/path/user_info.csv").map(_.split(",")) 
​ 
//将表结构和数据关联起来，把读入的数据user.csv映射成行,构成数据集 
valrowRDD = lines.map(x=>Row(x(0),x(1),x(2),x(3).toInt)) 
​ 
//通过SparkSession.createDataFrame()创建表,并且数据表表头 
val df= spark.createDataFrame(rowRDD, dt) 

读取规则数据文件作为DataFrame

SparkSession.Builder builder = SparkSession.builder() 
Builder.setMaster("local").setAppName("TestSparkSQLApp") 
SparkSession spark = builder.getOrCreate(); 
SQLContext sqlContext = spark.sqlContext(); 
​ 
# 读取 JSON 数据，path 可为文件或者目录 
valdf=sqlContext.read().json(path); 
​ 
# 读取 HadoopParquet 文件 
vardf=sqlContext.read().parquet(path); 
​ 
# 读取 HadoopORC 文件 
vardf=sqlContext.read().orc(path); 

JSON 文件为每行一个 JSON 对象的文件类型，行尾无须逗号。文件头也无须[]指定为数组;SparkSQL 读取是只是按照每行一条 JSON Record序列化;

Parquet文件

Configurationconfig = new Configuration(); 
ParquetFileReaderreader = ParquetFileReader.open( 
 HadoopInputFile.fromPath(new Path("hdfs:///path/file.parquet"),conf)); 
Map<String, String>schema = reader.getFileMetaData().getKeyValueMetaData(); 
String allFields= schema.get("org.apache.spark.sql.parquet.row.metadata"); 

allFiedls 的值就是各字段的名称和具体的类型，整体是一个json格式进行展示。

读取 Hive 表作为 DataFrame

Spark2 API 推荐通过 SparkSession.Builder 的 Builder 模式创建 SparkContext。 Builder.getOrCreate() 用于创建 SparkSession，SparkSession 是 SparkContext 的封装。

在Spark1.6中有两个核心组件SQLcontext和HiveContext。SQLContext 用于处理在 SparkSQL 中动态注册的表，HiveContext 用于处理 Hive 中的表。

从Spark2.0以上的版本开始，spark是使用全新的SparkSession接口代替Spark1.6中的SQLcontext和HiveContext。SQLContext.sql 即可执行 Hive 中的表，也可执行内部注册的表;

在需要执行 Hive 表时，只需要在 SparkSession.Builder 中开启 Hive 支持即可(enableHiveSupport())。

SparkSession.Builder builder = SparkSession.builder().enableHiveSupport(); 
SparkSession spark = builder.getOrCreate(); 
SQLContext sqlContext = spark.sqlContext(); 

// db 指 Hive 库中的数据库名，如果不写默认为 default

// tableName 指 hive 库的数据表名

sqlContext.sql(“select * from db.tableName”) 

SparkSQL ThriftServer

//首先打开 Hive 的 Metastore服务

hive$bin/hive –-service metastore –p 8093 

//把 Spark 的相关 jar 上传到hadoophdfs指定目录，用于指定sparkonyarn的依赖 jar

spark$hadoop fs –put jars/*.jar /lib/spark2 

// 启动 spark thriftserver 服务

spark$ sbin/start-thriftserver.sh --master yarn-client --driver-memory 1G --conf  
spark.yarn.jars=hdfs:///lib/spark2/*.jar 

当hdfs 上传了spark 依赖 jar 时，通过spark.yarn.jars 可看到日志 spark 无须每个job 都上传jar，可节省启动时间

19/06/1114:08:26 INFO Client: Source and destination file systems are the same. Notcopying hdfs://localhost:9000/lib/spark2/snappy-java-1.0.5.jar 
19/06/1114:08:26 INFO Client: Source and destination file systems are the same. Notcopying hdfs://localhost:9000/lib/spark2/snappy-java-1.1.7.3.jar 

//通过 spark bin 下的 beeline 工具，可以连接到 spark ThriftServer(SparkOnHive)

bin/beeline -u jdbc:hive2://ip:10000/default -n hadoop 

• -u 是指定 beeline 的执行驱动地址;
• -n 是指定登陆到 spark Session 上的用户名称;

Beeline 还支持传入-e 可传入一行 SQL，

• -e query that should be executed

也可通过 –f 指定一个 SQL File，内部可用逗号分隔的多个 SQL(存储过程)

• -f script file that should be executed

SparkSQL Beeline 的执行效果展示

SparkSQL ThriftServer

对于 SparkSQL ThriftServer 服务，每个登陆的用户都有创建的 SparkSession，并且执行的对个 SQL 会通过时间顺序列表展示。

SparkSQL ThriftServer 服务可用于其他支持的数据库 工具 创建查询，也用于第三方的 BI 工具，如 tableau。

四、SparkSQL Flow

SparkSQL Flow 是以 SparkSQL 为基础，开发的统一的基于 XML 配置化的可执行一连串的 SQL 操作，这一连串的 SQL 操作定义为一个 Flow。下文开始 SparkSQL Flow 的介绍：

SparkSQL Flow 是基于 SparkSQL 开发的一种基于 XML 配置化的 SQL 数据流转处理模型。该模型简化了 SparkSQL 、Spark RDD的开发，并且降低开发了难度，适合了解数据业务但无法驾驭大数据以及 Spark 技术的开发者。

• 一个由普元技术部提供的基于 SparkSQL 的开发模型;
• 一个可二次定制开发的大数据开发框架，提供了灵活的可扩展 API;
• 一个提供了 对文件，数据库，NoSQL 等统一的数据开发视界语义;
• 基于 SQL 的开发语言和 XML 的模板配置，支持 Spark UDF 的扩展管理;
• 支持基于 Spark Standlone，Yarn，Mesos 资源管理平台;
• 支持开源、华为、星环等平台统一认证。

SparkSQL Flow 适合的场景：

1. 批量 ETL;
2. 非实时分析服务;

SparkSQL Flow XML 概览

1. Properties 内定义一组变量，可用于宏替换;
2. Methods 内可注册 udf 和 udaf 两种函数;
3. Prepare 内可定义前置 SQL，用于执行 source 前的 sql 操作;
4. Sources 内定义一个到多个数据表视图;
5. Transformer 内可定义 0 到多个基于 SQL 的数据转换操作(支持 join);
6. Targets 用于定义 1 到多个数据输出;
7. After 可定义 0到多个任务日志;

如你所见，source 的 type 参数用于区分 source 的类型，source 支持的种类直接决定SparkSQL Flow 的数据源加载广度;并且，根据 type 不同，source 也需要配置不同的参数，如数据库还需要 driver，url，user和 password 参数。

Transformer 是基于 source 定的数据视图可执行的一组转换 SQL，该 SQL 符合 SparkSQL 的语法(SQL99)。Transform 的 SQL 的执行结果被作为中间表命名为 table_name 指定的值。

Targets 为定义输出，table_name 的值需在 source 或者 Transformer 中定义。

SparkSQL Flow 支持的Sourse

• 支持从 Hive 获得数据;
• 支持文件：JSON，TextFile(CSV)，ParquetFile，AvroFile
• 支持RDBMS数据库：PostgreSQL， MySQL，Oracle
• 支持 NOSQL 数据库：Hbase，MongoDB

SparkSQL Flow TextFile Source

textfile 为读取文本文件，把文本文件每行按照 delimiter 指定的字符进行切分，切分不够的列使用 null 填充。

<source type="textfile" table_name="et_rel_pty_cong" 
 fields="cust_id,name1,gender1,age1:int"  
 delimiter="," 
 path="file:///Users/zhenqin/software/hive/user.txt"/> 

1. Tablename 为该文件映射的数据表名，可理解为数据的视图;
2. Fields 为切分后的字段，使用逗号分隔，字段后可紧跟该字段的类型，使用冒号分隔;
3. Delimiter 为每行的分隔符;
4. Path 用于指定文件地址，可以是文件，也可是文件夹;
5. Path 指定地址需要使用协议，如：file:// 、 hdfs：//，否则跟 core-site.xml 配置密切相关;

SparkSQL Flow DB Source

<source type="mysql" table_name="et_rel_pty_cong" 
 table="user" 
 url="jdbc:mysql://localhost:3306/tdb?characterEncoding=UTF-8" 
 driver="com.mysql.jdbc.Driver" 
 user="root" password="123456"/> 

RDBMS 是从数据库使用 JDBC读取 数据集。支持 type 为：db、 mysql 、oracle、postgres、mssql;

1. tablename 为该数据表的抽象 table 名称(视图);
2. url、driver、user，password 为数据库 JDBC 驱动信息，为必须字段;
3. SparkSQL 会加载该表的全表数据，无法使用 where 条件。

SparkSQL Flow Transformer

<transform type="sql" table_name="cust_id_agmt_id_t" cached="true"> 
 SELECT c_phone,c_type,c_num, CONCAT_VAL(cust_id) as cust_ids 
 FROM user_concat_testx 
 group by c_phone,c_type,c_num 
</transform> 

Transform 支持 cached 属性，默认为 false;如果设置为 true，相当于把该结果缓存到内存中，缓存到内存中的数据在后续其它 Transform 中使用能提高计算效率。但是需使用大量内存，开发者需要评估该数据集能否放到内存中，防止出现 OutofMemory 的异常。

SparkSQL Flow Targets

SparkSQL Flow Targets 支持输出数据到一个或者多个目标。这些目标，基本覆盖了 Source 包含的外部系统。下面以 Hive 举例说明：

<target type="hive" 
 table_name="cust_id_agmt_id_t"  
 savemode=”append” 
target_table_name="cust_id_agmt_id_h"/> 

1. table_name 为 source 或者 Transform 定义的表名称;
2. target_table_name 为 hive 中的表结果，Hive 表可不存在也可存在，sparksql 会根据 DataFrame 的数据类型自动创建表;
3. savemode 默认为 overwrite 覆盖写入，当写入目标已存在时删除源表再写入;支持 append 模式， 可增量写入。

Target 有一个特殊的 show 类型的 target。用于直接在控制台输出一个 DataFrame 的结果到控制台(print)，该 target 用于开发和测试。

<target type="show" table_name="cust_id_agmt_id_t" rows=”10000”/> 

Rows 用于控制输出多少行数据。

SparkSQL Around

After 用于 Flow 在运行结束后执行的一个环绕，用于记录日志和写入状态。类似 Java 的 try {} finally{ round.execute() }

多个 round 一定会执行，round 异常不会导致任务失败。

<prepare> 
 <round type="mysql" 
 sql="insert into cpic_task_history(id, task_type, catalog_model, start_time, retry_count, final_status, created_at) 
 values(${uuid}, ${task.type}, ${catalog.model}, ${starttime}, 0, ${status}, now())" 
 url="${jdbc.url}" .../> 
</prepare> 
<after> 
 <round type="mysql" 
 sql="update cpic_task_history set 
 end_time = ${endtime}, final_status = ${status}, error_text = ${error} where id = ${uuid}" 
 url="${jdbc.url}”…/> 
</after> 

Prepare round 和 after round 配合使用可用于记录 SparkSQL Flow 任务的运行日志。

SparkSQL Around的执行效果

Prepare round 可做插入(insert)动作，after round 可做更新 (update)动作，相当于在数据库表中从执行开始到结束有了完整的日志记录。SparkSQL Flow 会保证round 一定能被执行，而且 round 的执行不影响任务的状态。

SparkSQL Flow 提交

bin/spark-submit --master yarn-client --driver-memory 1G  
--num-executors 10 --executor-memory 2G  
--jars /lib/jsoup-1.11.3.jarlib/jsqlparser-0.9.6.jar,/lib/mysql-connector-java-5.1.46.jar  
--conf spark.yarn.jars=hdfs:///lib/spark2/*.jar  
--queue default --name FlowTest  
etl-flow-0.2.0.jar -f hive-flow-test.xml 

接收必须的参数 –f，可选的参数为支持 Kerberos 认证的租户名称principal，和其认证需要的密钥文件。

usage: spark-submit --jars etl-flow.jar --class 
 com.yiidata.etl.flow.source.FlowRunner 
 -f,--xml-file <arg> Flow XML File Path 
 --keytabFile <arg> keytab File Path(Huawei) 
 --krb5File <arg> krb5 File Path(Huawei) 
 --principal <arg> principal for hadoop(Huawei) 

SparkSQL Execution Plan

每个Spark Flow 任务本质上是一连串的 SparkSQL 操作，在 SparkUI SQL tab 里可以看到 flow 中重要的数据表操作。

regiserDataFrameAsTable 是每个 source 和 Transform 的数据在 SparkSQL 中的数据视图，每个视图都会在 SparkContex 中注册一次。

对RegisterDataFrameAsTable的分析

通过单个 regiserDataFrameAsTable 项进行分析，SparkSQL 并不是把source 的数据立即计算把数据放到内存，而是每次执行 source 时只是生成了一个 Logical Plan，只有遇到需要提交的算子(Action)，SparkSQL 才会触发前面所依赖的的 plan 执行。

总结

这是一个开发框架，不是一个成熟的产品，也不是一种架构。他只是基于 SparkSQL 整合了大多数的外部系统，能通过 XML 的模板配置完成数据开发。面向的是理解数据业务但不了解 Spark 的数据开发人员。整个框架完成了大多数的外部系统对接，开发者只需要使用 type 获得数据，完成数据开发后通过 target 回写到目标系统中。整个过程基本无须程序开发，除非当前的 SQL 函数无法满足使用的情况下，需要自行开发一下特定的 UDF。因此本框架在对 SparkSQL 做了二次开发基础上，大大简化了 Spark 的开发，可降低了开发者使用难度。

关于作者：震秦，普元资深开发工程师，专注于大数据开发 8 年，擅长 Hadoop 生态内各工具的使用和优化。参与某公关广告(上市)公司DMP 建设，负责数据分层设计和批处理，调度实现，完成交付使用;参与国内多省市公安社交网络项目部署，负责产品开发(Spark 分析应用);参与数据清洗加工为我方主题库并部署上层应用。

关于EAWorld：微服务，DevOps，数据治理，移动架构原创技术分享。