何海林1，2，皮建勇1，2

1.貴州大學(xué) 計算機科學(xué)與信息學(xué)院，貴州 貴陽 550025； 2.貴州大學(xué) 云計算與物聯(lián)網(wǎng)研究中心，貴州 貴陽 550025

　　摘  要： 雖然以MapReduce和Hadoop分布式系統(tǒng)（HDFS）為核心的Hadoop已在大規(guī)模數(shù)據(jù)密集的商業(yè)領(lǐng)域成功應(yīng)用，但是對于多個并行操作之間重用工作數(shù)據(jù)集卻表現(xiàn)不佳。作為對其的一種補充，本文介紹了Spark。首先介紹Hadoop的MapReduce與HDFS基本概念與設(shè)計思想，然后介紹了Spark的基本概念與思想，并且著重介紹了彈性分布式數(shù)據(jù)集RDD，并通過實驗證明和分析對比了Hadoop與Spark。

　　關(guān)鍵詞： Hadoop；MapReduce；HDFS；Spark；彈性分布式數(shù)據(jù)集

0 引言

　　在這個知識爆炸性增長的社會，隨著各種技術(shù)的進步，人們越來越依賴身邊的各種終端設(shè)備進行各種各樣的生產(chǎn)生活，而這些設(shè)備會產(chǎn)生大量的數(shù)據(jù)。如何從這些數(shù)據(jù)中高效地獲得有用信息成為一個有經(jīng)濟價值的問題。Hadoop[1]憑借其良好的出身與優(yōu)越的性能，如高可靠性、高可擴展性、高效性，并且它是開源的，已經(jīng)成為大數(shù)據(jù)分析的標(biāo)準(zhǔn)框架。但是Hadoop并不適用于所有場合，它有其本身不可克服的缺點，如訪問時間延遲過長不適用于時間要求較高的應(yīng)用，代碼越來越長限制了它更大規(guī)模的應(yīng)用。這時候Spark[2]異軍突起，克服了Hadoop的眾多缺點。

1 Hadoop

　　Hadoop是Apach的一個開源項目，Hadoop提供了一個分布式文件系統(tǒng)（HDFS）[3]和一個用于分析和轉(zhuǎn)化大規(guī)模數(shù)據(jù)集的MapReduce[4]框架，Hadoop的一個重要特點就是通過對數(shù)據(jù)進行分割在多臺主機上進行運行，并且并行地執(zhí)行應(yīng)用計算。其中HDFS用于存儲數(shù)據(jù)，MapReduce是Google公司的一項重要技術(shù)，后被模仿，它主要采用并行計算的方法用于對大數(shù)據(jù)的計算。它們之間的關(guān)系如圖1。以Hadoop分布式文件系統(tǒng)和MapReduce分布式計算框架為核心，為用戶提供了底層細(xì)節(jié)透明的分布式基礎(chǔ)設(shè)施。HDFS的高容錯性和高彈性的優(yōu)點，允許用戶將其部署到廉價的機器上，構(gòu)建分布式系統(tǒng)。MapReduce分布式計算框架允許用戶在不了解分布式系統(tǒng)底層細(xì)節(jié)的情況下開發(fā)并行分布的應(yīng)用程序，充分利用大規(guī)模的計算資源，解決傳統(tǒng)單機無法解決的大數(shù)據(jù)處理問題。

　　1.1 MapReduce編程模型

　　正與其名字一樣，MapReduce包含兩項關(guān)鍵操作：Map與Reduce，兩者來源于函數(shù)式編程語言，并且作為MapReduce的兩項核心操作由用戶編程完成。如圖2，MapReduce模型包含Map、Shuffle和Reduce三個階段。

　　Map階段：輸入數(shù)據(jù)被系統(tǒng)分為相互獨立的片塊，這些小塊同時被Map處理，在用戶指定的Map程序中執(zhí)行，最大限度地利用并行處理產(chǎn)生結(jié)果，最后Map階段的輸出作為Reduce階段的輸入。

　　Shuffle階段：將具有相同鍵的記錄送到同一個Reduce。

　　Reduce階段：將Shuffle的輸出作為輸入進行處理產(chǎn)生最終結(jié)果。

　　在MapReduce中的處理主要靠鍵值對實現(xiàn)。例如輸入的記錄用<Key1，Value1>表示，在Map階段讀入記錄處理產(chǎn)生結(jié)果，Map階段的輸出用模式<Key2，Value2>表示，如果幾個記錄需要在Reduce階段一起處理，那么這些記錄就會被同一個Reduce處理，在Shuffle階段，將具有相同鍵的送到同一個Reduce，這樣，在Reduce階段Map階段的輸出被最終輸出為<Key3，Value3>。可以用下面的式子表示：

　　Map：（K1，V1）->list（K2，V2）

　　Reduce：（K2，list（V2））->list（K3，V3）

　　1.2 HDFS

　　HDFS當(dāng)初被發(fā)展主要是為了實現(xiàn)與GFS[5]相似的功能，HDFS是Hadoop的文件系統(tǒng)的組件，它的接口與UNIX文件系統(tǒng)相似，犧牲了標(biāo)準(zhǔn)，是為了提高應(yīng)用的性能。

　　HDFS正如GFS一樣將系統(tǒng)數(shù)據(jù)與應(yīng)用數(shù)據(jù)分開進行存放。存放元數(shù)據(jù)在專門的服務(wù)器上，叫做NameNode，應(yīng)用數(shù)據(jù)存放在其他服務(wù)器上叫做DataNode，所有的服務(wù)器通過TCP協(xié)議來進行連接。不同于Lustre[6]與PVFS[7]，數(shù)據(jù)節(jié)點在HDFS不采用數(shù)據(jù)保護機制，例如磁盤陣列RAID來確保數(shù)據(jù)的持久性，而是采用與GFS類似的方式將數(shù)據(jù)目錄復(fù)制到多個數(shù)據(jù)節(jié)點來保證其可靠性，并能保證數(shù)據(jù)的持久性，這種策略恰好又讓數(shù)據(jù)傳輸?shù)膸捥岣吡硕啾叮梢宰寯?shù)據(jù)存放在離局部計算更近的地方，幾個分布式文件系統(tǒng)或多或少地實現(xiàn)了命名空間。

2 Spark

　　Spark誕生于美國加州理工大學(xué)AMPLab集群計算平臺，利用內(nèi)存計算速度快的特點，并從MapReduce不適用于在多個并行操作之間重用工作數(shù)據(jù)集（多迭代批量處理與交互式數(shù)據(jù)分析）的特點出發(fā)，在流處理和圖計算等多種計算范式具有更加強的能力。由此提出了一種新的架構(gòu)叫做Spark，用于處理迭代機器學(xué)習(xí)算法，以保持像MapReduce一樣的高擴展性與容錯能力。Spark引入了RDD，即彈性分布式數(shù)據(jù)集（resilient distributed datasets，RDD）[8]。

　　Spark是通過Scala[9]實現(xiàn)的一種基于Java虛擬機的高級編程語言，提供類似于DryadLINQ的編程接口，這樣編寫并行任務(wù)變得非常方便。同時Spark還可以修改Scala的編譯器，與Ruby和Python一樣，Scala也提供了一個交互式shell。實現(xiàn)時間延遲減少的方法主要是基于內(nèi)存的數(shù)據(jù)，通過允許用戶從解釋器交互式地運行Spark，從而可以在大數(shù)據(jù)集上實現(xiàn)大規(guī)模并行數(shù)據(jù)挖掘。雖然現(xiàn)階段Spark還是一個原型，但是前途還是令人鼓舞的。實驗表明，在處理迭代式應(yīng)用上Spark比Hadoop的速度提高20多倍，計算數(shù)據(jù)分析類報表的性能提高了40多倍，在交互式查詢39 GB數(shù)據(jù)集時可以達到次秒級響應(yīng)時間。

　　Spark應(yīng)用稱為driver，實現(xiàn)單個節(jié)點或多個節(jié)點上的操作。與Hadoop一樣，Spark支持單節(jié)點和多節(jié)點集群，可以在Hadoop文件系統(tǒng)中并行運行。通過名為Mesos[10]的第三方集群框架可以支持此行為。這種配置的優(yōu)點是：允許Spark與Hadoop共用一個節(jié)點共享池，擴大了應(yīng)用范圍。

　　要想使用Spark，開發(fā)者需要編寫一個Driver程序，連接到集群以運行worker，如圖3所示。Driver定義了一個或多個RDD，并調(diào)用RDD上的動作。worker是長時間運行的進程，將RDD分區(qū)以Java對象的形式緩存在內(nèi)存中。

　　RDD是一種分布式的內(nèi)存抽象。Spark引入的RDD采用了Scala編程風(fēng)格，因為Scala特性決定了RDD是一個Scala表示的對象，RDD不需要存在于物理存儲中。RDD的一個句柄包含足夠的信息計算RDD，這就意味著RDD可以以四種方式重建[11]：

　　（1）改變已有RDD的持久性，RDD是懶散和短暫的，數(shù)據(jù)集在進行并行操作時已經(jīng)按照要求進行了實例化（如請求將已有RDD緩存在內(nèi)存中，之后會被拋出內(nèi)存）。

　　（2）從其他RDD轉(zhuǎn)換得來，一個數(shù)據(jù)集元素類型為A可以通過調(diào)用flatmap轉(zhuǎn)換為數(shù)據(jù)類型B。

　　（3）將Driver中Scala的集合劃分為并行切片，分布在各個節(jié)點之間。

　　（4）一個從文件系統(tǒng)創(chuàng)建的Scala對象。

　　RDD的以上操作決定了它有數(shù)據(jù)流的特點，比如：位置感知調(diào)度、強大的自動容錯，以及很好的可伸縮性。這樣在有多個查詢請求時Spark會將工作集緩存在內(nèi)存中，如果內(nèi)存不夠用，可以寫到硬盤上，后續(xù)查詢時提高了重用度，可以讓查詢速度有質(zhì)的提升。

3 實驗

　　3.1 實現(xiàn)設(shè)置

　　本次實驗采用4 000家餐廳140萬條點評數(shù)據(jù)，先預(yù)處理，再通過運行K-means算法[12]將數(shù)據(jù)分為四類，對比在兩種平臺上的迭代時間。K-means算法是聚類算法中最簡單的一種，它需要不斷地迭代直到收斂。

　　設(shè)備：3臺內(nèi)存為2 GB、硬盤為500 GB的PC安裝搭建Hadoop后再安裝Spark，其中K-means的Scala的主要代碼為：

　　val sparkConf=new SparkConf（）.setAppName（"SparkKMeans"）

　　val sc=new SparkContext（sparkConf）

　　val lines=sc.textFile（args（0））

　　迭代時間花費如圖4所示。

　　3.2 結(jié)果分析與兩者對比

　　在搭建實驗環(huán)境與編寫實驗程序階段可以看出，Spark提供了與Scala、Java、Python編程一樣的高級API，這樣便于開發(fā)并發(fā)處理應(yīng)用程序。Hadoop每一次迭代會在工作集上反復(fù)調(diào)用一個函數(shù)，每一次迭代都可以看做是Mapduce的任務(wù)，每一次任務(wù)的執(zhí)行，都需要從硬盤重新下載數(shù)據(jù)，這會顯著地增加時間延遲，而Spark卻不用從硬盤調(diào)用，只需從內(nèi)存調(diào)用。

　　兩者對比，Spark相較于Hadoop最顯著的特征就是快，Spark對于小數(shù)據(jù)集能夠達到亞秒級的延遲，這相對于Hadoop MapReduce由于“心跳機制”要花費數(shù)秒的性能而言無疑是飛躍，Hadoop經(jīng)常被用于在大數(shù)據(jù)上通過Sql接口（如Pig和Hive）運行Ad-hoc探索性查詢，實際上用戶可以將數(shù)據(jù)集裝載到內(nèi)存進行查詢，然而，Hadoop通過MapReduce任務(wù)進行，由于反復(fù)從硬盤讀取數(shù)據(jù)，因此它的延遲非常大。其次，首先安裝的是Hadoop，最后安裝的是Spark，后者借助前者的基礎(chǔ)，與其實現(xiàn)了完美融合，憑借Scala（被業(yè)界譽為未來Java的取代者）的強大功能，Scala能運行在運行JVM的任何地方，還可以充分利用大量現(xiàn)存的Java庫和現(xiàn)有的Java代碼。因此，Spark只需要稍作修改，就可以交互式編程。通過對比代碼數(shù)量可以發(fā)現(xiàn)，由于Scala的簡潔性以及Spark非常好地利用了Hadoop和Mesos的基礎(chǔ)設(shè)施，Spark代碼量明顯少了許多。

4 結(jié)束語

　　本文介紹了Hadoop與Spark的基本概念與設(shè)計思想。可以看出Spark實際上作為對Hadoop的一種補充，在處理迭代工作與交互式數(shù)據(jù)分析方面具有優(yōu)越性。兩者開始顯現(xiàn)出一種融合的趨勢，從Hadoop 0.23把MapReduce做成庫開始，Hadoop的目標(biāo)就是要支持包括MapReduce在內(nèi)的更多的并行計算模型，比如MPI、Spark等。未來隨著技術(shù)的發(fā)展究竟誰會被取代很難預(yù)料，應(yīng)當(dāng)取長補短，優(yōu)勢互補。新的需求會產(chǎn)生新的平臺，如為了強調(diào)實時性而發(fā)展的Storm[13]，常用于實時性要求較高的地方。未來如何實現(xiàn)更多融合，是一個值得發(fā)展的方向。

參考文獻

　　[1] WHITE T. Hadoop: the definitive guide: the definitive guide[Z]. O′Reilly Media, Inc., 2009.

　　[2] INCUBATOR A. Spark: Lightning-fast cluster computing[Z]. 2013.

　　[3] SHVACHKO K, KUANG H, RADIA S, et al. The hadoop distributed file system[C].Mass Storage Systems and Technologies(MSST), 2010 IEEE 26th Symposium on. IEEE, 2010：1-10.

　　[4] DEAN J, GHEMAWAT S. MapReduce: simplified data processing on large clusters[J]. Communications of the ACM, 2008,51(1)：107-113.

　　[5] GHEMAWAT S, GOBIOFF H, LEUNG S T. The Google file system[C]. ACM SIGOPS operating systems review, ACM, 2003,37(5)：29-43.

　　[6] BRAAM P J. The Lustre storage architecture[Z]. 2004.

　　[7] ROSS R B, THAKUR R. PVFS: A parallel file system for Linux clusters[C]. Proceedings of the 4th annual Linux showcase and conference， 2000：391-430.

　　[8] ZAHARIA M, CHOWDHURY M, DAS T, et al. Resilient distributed datasets: a fault-tolerant abstraction for in-memory cluster computing[C]. Proceedings of the 9th USENIX Conference on Networked Systems Design and Implementation. USENIX Association, 2012：2-2.

　　[9] ODERSKY M, SPOON L, VENNERS B. Programming in scala[M]. Artima Inc, 2008.

　　[10] HINDMAN B, KONWINSKI A, ZAHARIA M, et al. Mesos: a platform for Fine-Grained resource sharing in the data center[C]. NSDI， 2011: 22-22.

　　[11] ZAHARIA M, CHOWDHURY M, FRANKLIN M J, et al. Spark: cluster computing with working sets[C]. Proceedings of the 2nd USENIX conference on hot topics in cloud computing， 2010:10.

　　[12] WAGSTAFF K, CARDIE C, ROGERS S, et al. Constrained k-means clustering with background knowledge[C]. ICML， 2001:577-584.

　　[13] MARZ N. Storm: distributed and fault-tolerant realtime computation[Z]. 2013.