标签:流式 algorithm 例子 pil targe model 链接 发展历程 查看
1. Spark 2.0 !
还记得我们的第七篇 Spark 博文里吗?里面我用三点来总结 spark dataframe 的好处:
当时是主要介绍 spark 里的 dataframe,今天是想总结一下 spark 2.0 的一些重大更新,准备过段时间[等到 2.0.1 或者 2.1 出来了就]切换到 spark 2.x 来。当我看官方的一些介绍和一些相关文章的时候,我发现 spark 2.0 的特点,也可以用第七篇里总结的 dataframe 的特点来说明,那就是:
write less : 写更少的代码
do more : 做更多的事情
faster : 以更快的速度
真心觉得 spark 做得很不错,databricks 做得太赞了,现在 databricks 的社区版 [DCE : Databricks Community Edition] 也开放注册了,大家还没有注册的赶紧去体验这个产品吧,so amazing,注册链接:community.cloud.databricks.com。
言归正传,下面从几个亮点来总结一下 spark 2.0 的更新,基本上都是看官方文档,相关的 video,slide 和一些技术博文来的,参考的文章都会在后文列出来的。
2. Spark 版本号说明
如图是 spark 版本号的三个不同数字的介绍,以 1.6.0 版本举例:
1 : major version : 代表大版本更新,一般都会有一些 api 的变化,以及大的优化或是一些结构的改变;
6 : minor version : 代表小版本更新,一般会新加 api,或者是对当前的 api 就行优化,或者是其他内容的更新,比如说 WEB UI 的更新等等;
0 : patch version : 代表修复当前小版本存在的一些 bug,基本不会有任何 api 的改变和功能更新;记得有一个大神曾经说过,如果要切换 spark 版本的话,最好选 patch version 非 0 的版本,因为一般类似于 1.2.0, … 1.6.0 这样的版本是属于大更新的,有可能会有一些隐藏的 bug 或是不稳定性存在,所以最好选择 1.2.1, … 1.6.1 这样的版本。
3. 特性 1 - 官方文档
spark 2.0 似乎对官方文档做了比较大的改变,赞,这里是 2.0 预览版的文档链接,等不及的小伙伴们可以先看了:
2.0.0-preview
master-docs
2.0.0 docs
4. 特性 2 - 支持标准 SQL 语句
On the SQL side, we have significantly expanded the SQL capabilities of Spark, with the introduction of a new ANSI SQL parser and support for subqueries. Spark 2.0 can run all the 99 TPC-DS queries, which require many of the SQL:2003 features.
上面提到的 TPC-DS 这个概念没有必要去了解了,我是 google 了之后才知道的,如果感兴趣的话可以看这个链接:TPC-DS。
总结下来:
Spark 2.0 中, SQL:2003 语法全部支持了,下面是 sql 语法的发展历程,可以说,虽然 sql 2003 之后又更新了两个版本的语法,但在实际使用情况中,sql 2003 已经完全能 handle 99% 的场景了。
1986年,ANSI X3.135-1986,ISO/IEC 9075:1986,SQL-86
1989年,ANSI X3.135-1989,ISO/IEC 9075:1989,SQL-89
1992年,ANSI X3.135-1992,ISO/IEC 9075:1992,SQL-92(SQL2)
1999年,ISO/IEC 9075:1999,SQL:1999(SQL3)
2003年,ISO/IEC 9075:2003,SQL:2003
2008年,ISO/IEC 9075:2008,SQL:2008
2011年,ISO/IEC 9075:2011,SQL:2011
Spark 2.0 中,更新了新的 SQL 解析器,可以支持子查询了,特地重复一下,因为基本上所有复杂的 sql 语句都会用到子查询,官方有例子: Subqueries in Apache Spark 2.0
5. 特性 3 - 统一 DataFrames and Datasets API
在 spark 2.0 中,把 dataframes 当作是一种特殊的 datasets,dataframes = datasets[row],把两者统一为 datasets。但是需要注意的是,目前只更新了 scala 和 java 的api,python中尚未更新。而且 spark 2.0 中引入了 structured streaming 的概念,需要 dataframe 的支持,其中的 dataframe 也已经用 datasets[row] 来实现了。
官方的关于 DataSets API 的使用说明:Dataset API
6. 特性 4 - SparkSession
在 spark 2.0 之前,sparkContext 是 Spark应用的入口。除了 sparkContext,还有 sqlContext,StreamingContext,HiveContext 等其他入口。然而到了 spark 2.0 后,因为逐渐要采用 DataFrame 和 DataSets 作为 API 使用,需要一个统一的入口点,所以就诞生了 SparkSession。本质上,可以简单的把 SparkSession 理解成 sparkContext, sqlContext, StreamingContext, HiveContext 的统一封装。
下面是一个来自官方的 demo:
import org.apache.spark.sql.SparkSession
val sparkSession = SparkSession.builder
.master("local")
.appName("my-spark-app")
.config("spark.some.config.option", "config-value")
.getOrCreate()
值得注意的一个点是,在 2.0 之前,启动 spark repl 时,会自动给你创建一个 sparkContext,叫做 sc,但在 2.0 之后,启动 spark repl 时会自动给你创建一个 SparkSession,叫做 spark。
这里有一个 databricks 出的关于 SparkSession 的说明文档和使用方法:SparkSession - a new entry point
7. 特性 5 - 新的 Accumulator API
spark 2.0 设计了新的 Accumulator API,用户可以基于默认的 Accumulator 实现自己定义的 Accumulator,当然老的 Accumulator 还是保留使用的。
下面是一个用户自定义 Accumulator 的例子:
class VectorAccumulatorParam(AccumulatorParam):
def zero(self, initialValue):
return Vector.zeros(initialValue.size)
def addInPlace(self, v1, v2):
v1 += v2
return v1
# Then, create an Accumulator of this type:
vecAccum = sc.accumulator(Vector(...), VectorAccumulatorParam())
而且 spark 2.0 里可以在 web ui 里查看 Accumulator 的数据了,非常方便[注明一下,这里我没有尝试过在 2.0 之前是否可以在 web ui 里查看 Accumulator 的数据,如果有写错了请大家指出哈,谢谢]
8. 特性 6 - DataFrame Based Machine Learning
在上篇文章里 『 Spark 』11. spark 机器学习,我们也提到过,从 2.0 开始,spark machine learning 开始采用基于 dataframe 开发的 ml package,基于 RDD API 的 mllib 将不再开发新 feature,只做维护。
9. 特性 7 - Machine learning pipeline persistence
spark 2.0 支持机器学习持久化了,虽然 2.0 之前也有类似的功能,但在这方面,2.0 有两大亮点:
不仅可以 save & load 模型,还可以 save & load 模型的 pipeline;
可以跨语言 save & load 模型,比如说你用 scala 实现了一个模型,并且 save 到磁盘上,之后可以用 python 来 load 这个模型;
这里有官方出的一个介绍文档和使用说明:Saving & loading Machine Learning (ML) models
10. 特性 8 - Distributed algorithms in R
也可以用 R 来实现一些机器学习算法了: Generalized Linear Models (GLM), Naive Bayes, Survival Regression, and K-Means.
11. 特性 9 - Whole-stage code generation
spark 2.0 性能上会有较大的提升,根据官方文档,2.0 会引入新的物理执行引擎 new Tungsten execution engine,相对于之前的执行引擎[之前也有 code generation],新的物理执行引擎会充分利用 内存,cpu,cpu 寄存器 三者,最大化的提升代码执行速度。
关于 new Tungsten execution engine 的原理,可以参考这篇官方博客:Apache Spark as a Compiler: Joining a Billion Rows per Second on a Laptop : Deep dive into the new Tungsten execution engine
这里有官方做的一个简单的测试:Performance of Spark 2.0’s Tungsten engine
下图是一个简要的性能对比截图:
12. 特性 10 - Structured Streaming
这个就不用说了,是 2.0 的三大更新之一。官方的这句话很有意思: the simplest way to compute answers on streams of data is to not having to reason about the fact that it is a stream.,中文翻译来说就是说:处理流式计算最简单的方法,就是不要特地去区分流式计算与非流式计算的区别[因为归根结底,他们都是数据,我们要区分的,并不是数据本身,而是我们处理数据的方式]
在 rxin 的这个 slide 里,Apache Spark 2.0: Faster, Easier, and Smarter,第 17 ~ 26 也专门有说 2.0 里的 structure streaming,非常值得借鉴。
下面是其中两张需要理解的 ppt 截图:
本文来自:http://mp.weixin.qq.com/s/g5oZ8m-Ac-ExAmIcIGG1Yg
标签:流式 algorithm 例子 pil targe model 链接 发展历程 查看
原文地址:http://www.cnblogs.com/ios1988/p/6690162.html