微软发布.NET版本的Spark，高效而强大

时间：2020-02-18 09:15:05 阅读：238 评论：0 收藏：0 [点我收藏+]

昨天看个帖子微软市值超过1万亿美刀，凭什么？我们可以找出很多理由，但是我认为和阿三CEO的开源战略关系很大。从开源.net到WSL到微软云微软从昔日的开源死敌，到今天的怀抱开源。日前在Spark + AI峰会上，微软发布了开源的.NET for Apache Spark，从而在大数据领域又添加了一枝华章。本文虫虫就给大家介绍一下个项目。

概述

我们以前也介绍过，Apache Spark是Apache基金会旗下的时下最流行的开源分布式内存式大数据处理引擎。 Spark可用于处理批量数据，实时数据流，支持机器学习和即时数据查询。

.NET for Apache Spark项目主要用于创建跨Spark API的Spark原生操作库，为.net开发人员进行大数据分析提供方便。此前Spark官方支持Scala，Java，R和Python，至此又增加了.net。

.NET for Apache Spark将做为.NET Foundation开源自项目发布，项目已经通过Github发布，可以通过Github获取所有的源码（仓库为github：/dotnet/spark）。

介绍

.NET for Apache Spark为.net应用提供了原生的高性能API，他打包了Spark操作操作层上，可以为多种语言提供高性能访问类库，可以支持C#和F#等.net语言。

通过.NET API，我们可以高效访问Apache Spark的所有组件，包括Spark SQL，DataFrames，Streaming，MLLib等。

.NET for Apache Spark符合.NET标准，遵循.NET API的正式规范，我们在.NET代码中随时引入，插拔式的插入，非常容易扩展。现有.net项目和代码，编码习惯等都可以无缝引入到.NET for Apache Spark的项目开。基于.NET Standard 2.0，可以括平台在Linux，macOS和Windows上使用，还支持云架构，微软云Azure HDInsight中已经默认启用，也可以安装在Azure Databricks等中。

实例入门

.NET for Apache Spark的使用需要预装.net core和Spark包括：

.NET Core 2.1 SDK

Java 1.8

Apache Spark 2.4.1

Microsoft.Spark.Worker

安装设置好以上软件后，就可以开始Spark应用的开发了，本我们提供两个简单实例分别说明在C#和F#的应用。

C# 实例：

//创建一个Spark session

var spark = SparkSession

.Builder()

.AppName("word_count_sample")

.GetOrCreate();

//创建一个数据框

DataFrame dataFrame = spark.Read().Text("input.txt");

//操纵和查看数据

var words = dataFrame.Select(Split(dataFrame["value"], " ").Alias("words"));

words.Select(Explode(words["words"])

.Alias("word"))

.GroupBy("word")

.Count()

.Show();

F#：实例

//创建一个Spark session

let spark =

SparkSesstion.Builder()

.AppName("word_count_sample")

.GetOrCreate()

//创建一个数据框

let df = spark.Read().Text("input.txt")

let words = df.Select(Split(df.["value"], " ").Alias("words")

words.Select(Explode(words["words"]).Alias("word"))

.GroupBy("word")

.Count()

性能分析

数据分析很重要的一个方面就能高性能性操作和分析。.NET for Apache Spark在发布之前就做了很多的系能测试，官方对其预览版本进行了TPC-H基准测试，结果显示.NET for Apache Spark系能表象良好。官方进行的TPC-H基准包含一套面向业务的查询。下面的图例说明了在TPC-H查询集上.NET Core与Python和Scala的性能对比。

上图显示了.NET for Apache Spark，Python及Scala在Apache Spark上每个查询性能。 .NET for Apache Spark性能表现良好。此外，在UDF性能至关重要的情况下，例如查询1，其中在JVM和CLR .NET之间传递3B行非字符串数据，Apache Spark比Python快2倍。

TPC-H基准测试中所有22个查询的总执行时间（秒）（越低越好）结果如下图所示。