使用Apache Spar 的Lambda架构

市场上很多玩家已经建造了MapReduce工作流用来日常处理兆兆字节的历史数据。但是谁愿意等待24小时来拿到更新后的分析报告?这篇博客会向你介绍Lambda Architecture，它被设计出来既可以利用批量处理方法，也可以使用流式处理方法。这样我们就可以利用Apache Spark(核心, SQL, 流)，Apache Parquet，Twitter Stream等工具处理实时流式数据，实现对历史数据的快速访问。代码简洁干净，而且附上直接明了的示例!

Apache Hadoop: 简要历史

Apache Hadoop的丰富历史开始于大约2002年。Hadoop是Doug Cutting创立的, 他也是Apache Lucene这一被广泛使用的文本检索库的创造者. Hadoop的起源与Apache Nutch有关, Apache Nutch是一个开源的web搜索引擎, 本身也是Lucene项目的一部分. Apache Nutch在大约10年前成为一个独立的项目.

事实上,许多用户实现了成功的基于HadoopM/R的通道,一直运行到现在.现实生活中我至少能举出好几个例子:

Oozie协调下的工作流每日运行和处理多达8TB数据并生成分析报告
bash管理的工作流每日运行和处理多达8TB数据并生成分析报告

现在是2016年了

商业现实已经改变，所以做出长远的决定变得更有价值。除此以外，技术本身也在演化进步。Kafka, Storm, Trident, Samza, Spark, Flink, Parquet, Avro, Cloud providers等时髦的技术被工程师们和在商业上广泛使用.

因此，现代基于Hadoop的 M/R通道 (以及Kafka，现代的二进制形式如Avro和数据仓库等。在本例中Amazon Redshift用作ad-hoc查询) 可能看起来像这样:

以上M/R通道看起来很不错，但是它仍然是传统上具有许多缺点的批处理。由于在新数据不断进入系统时，批处理过程通常需要花费很多时间来完成，它们主要是提供给终端用户的乏味的数据罢了。

Lambda 架构

Nathan Marz为通用，可扩展和容错性强的数据处理架构想出了一个术语Lambda架构。这个数据架构结合了批处理和流处理方法的优点来处理大批量数据。

我强烈推荐阅读 Nathan Marz 的书，这本书从源码角度对Lambda架构进行了完美的诠释。

层结构

从顶层来看，这是层的结构：

所有进入系统的数据被分配到了批处理层和高速层来处理。批处理层管理着主数据集(一个不可修改，只能新增的原始数据)和预计算批处理视图。服务层索引批处理视图，因此可以对它们进行低延时的临时查询。高速层只处理近期的数据。任何输入的查询结果都合并了批处理视图和实时视图的查询结果。

焦点

许多工程师认为 Lambda架构就包含这些层和定义数据流程，但是 Nathan Marz在他的书中把焦点放在了其他重要的地方，如：

分布式思想
避免增量架构
关注数据的不可变性
创建再计算算法
数据的相关性

正如前面所提到的，任何输入的查询结果都会从批处理视图和实时视图的查询结果返回，因此这些视图需要被合并。在这里，需要注意的一点是，一个实时视图是上一个实时视图和新的数据增量的函数，因此一个增量算法可以在这里使用。批处理视图是所有数据的视图，因此再计算算法可以在这里使用。

均衡取舍

我们生活中的一切问题都存在权衡，Lambda架构(Lambda Architecture)不例外。通常，我们需要解决几个主要的权衡：

完全重新计算vs.部分重新计算

某些情况下，可以考虑使用Bloom过滤器来避免完全重新计算

重算算法 vs. 增量算法

使用增量算法是个很大的诱惑，但参考指南，我们必须使用重算算法，即使它更难得到相同的结果

加法算法 vs. 近似算法

Lambda Architecture 能与加法算法很好地协同工作。因此，在另一种情况下，我们需要考虑使用近似算法，例如，使用HyperLogLog处理count-distinct的问题等。

实现

有许多实现Lambda架构的方法，因为对于每个层的底层解决方案是非常独立的。每个层需要底层实现的特定功能，有助于做出更好的选择并避免过度决策：

批量层(Batch Layer)：写一次，批量读取多次

服务层(Serving layer)：随机读取，不支持随机写入，批量计算和批量写入

速度层(Speed layer)：随机读取，随机写入;增量计算

例如，其中一个实现方案的构成(使用Kafka，Apache Hadoop，Voldemort，Twitter Storm，Cassandra)可能如下图所示：

Apache Spark

Apache Spark可以被认为是用于Lambda架构各层的集成解决方案。其中，Spark Core 包含了高层次的API和优化的支持通用图运算引擎，Spark SQL用于SQL和结构化数据处理、 Spark Streaming 可以解决高拓展、高吞吐、容错的实时流处理。在批处理中使用Spark可能小题大做，而且不是所有方案和数据集都适用。但除此之外，Spark算是对Lambda Architecture的合理的实现。

示例应用

下面通过一些路径创建一个示例应用，以展示Lambda Architecture，其主要目的是提供#morningatlohika tweets(一个由我在Lviv, Ukraine发起的本地技术演讲，)这个hash标签的统计：包括之前到今天这一刻的所有时间。

源码在GitHub 上，有关这个主题的更多信息可以在Slideshare上找到。

批处理视图(Batch View)

简单地说，假定我们的主数据集包含自开始时间以来的所有更新。此外，我们已经实现了一个批处理，可用于创建我们的业务目标所需的批处理视图，因此我们有一个预计算的批处理视图，其中包含所有与#morningatlohika相关的标签统计信息：

编号很容易记住，因为，为方便查看，我使用对应标签的英文单词的字母数目作为编号。

实时视图

假设应用程序启动后，同时有人发如下tweet：

“Cool blog post by @tmatyashovsky about #lambda #architecture using #apache #spark at #morningatlohika”

此时，正确的实时视图应该包含如下的hash标签和统计数据(本例中都是1，因为每个hash标签只用了一次)：

查询

当终端用户查询出现是，为了给全部hash标签返回实时统计结果，我们只需要合并批处理视图和实时视图。所以，输出如下所示编码(hash标签的正确统计数据都加了1)：

场景

示例中的场景可以简化为如下步骤：

用Apache Spark创建批处理视图(.parquet)

在Spark中缓存批处理视图

将流处理应用连接到Twitter

实时监视包含#morningatlohika 的tweets

构造增量实时视图

查询，即，即时合并批处理视图和实时视图

技术细节

此源代码是基于Apache Spark 1.6.x(注：再引入结构流之前)。 Spark Streaming架构是纯微型批处理架构：

所以当我处理一个流媒体应用程序时，我使用DStream来连接使用TwitterUtils的Twitter：

在每个微批次中(使用可配置的批处理间隔)，我正在对新tweets中的hashtags统计信息进行计算，并使用updateStateByKey()状态转换函数来更新实时视图的状态。简单地说，就是使用临时表将实时视图存储在存储器中。

查询服务反映了批处理的合并过程和通过代码表示的DataFrame实时视图：

成果

在简化的方案下，文章开头提到的基于Hadoop 的M/R 管道可以通过Apache Spark进行如下优化：

本章结语

正如上文提到的 Lambda架构有优点和缺点，所以结果就是有支持者和反对者。一些人会说批处理视图和实时视图有很多重复的逻辑，因为最终他们需要从查询的角度创建出可以合并的视图。因此，他们创建了Kappa架构——一个Lambda架构的简化方案。Kappa 架构的系统去掉了批处理系统，取而代之的是数据从流处理系统中快速通过：