Azure HDInsight 中的 Apache Spark 是什么

Apache Spark:一个并行处理框架,支持使用内存中处理来提升大数据分析应用程序的性能。 Azure HDInsight 中的 Apache Spark 是 Microsoft 的 Apache Hadoop 在云中的实现。 使用 HDInsight 可在 Azure 中轻松创建和配置 Spark 群集。 因此,可使用 HDInsight Spark 群集来处理存储在 Azure 中的数据。 有关组件和版本信息,请参阅 Azure HDInsight 中的 Hadoop 组件和版本

Spark:一种统一框架

什么是 Spark?

Spark 提供了用于内存中群集计算的基元。 Spark 作业可以将数据加载和缓存到内存中并重复地对其进行查询。 内存中计算比基于磁盘的应用程序(如通过 HDFS 共享数据的 Hadoop)更快速。 Spark 还集成到 Scala 编程语言中,让你可以像处理本地集合一样处理分布式数据集。 无需将所有内容构造为映射和化简操作。

传统 MapReduce 与Spark

HDInsight 中的 Spark 群集提供完全托管的 Spark 服务。 下面列出了在 HDInsight 中创建 Spark 群集的优势。

功能 说明
轻松创建 可以使用 Azure 门户、Azure PowerShell 或 HDInsight .NET SDK,在几分钟之内于 HDInsight 中创建新的 Spark 群集。 请参阅 HDInsight 中的 Spark 群集入门
易于使用 HDInsight 中的 Spark 群集包括 Jupyter 和 Zeppelin Notebook。 可以使用这些笔记本执行交互式数据处理和可视化。
REST API HDInsight 中的 Spark 群集包含 Livy,它是基于 REST-API 的 Spark 作业服务器,用于远程提交和监视作业。
与 Azure 服务集成 HDInsight 中的 Spark 群集随附了 Azure 事件中心的连接器。 除了 Spark 中提供的 Kafka 之外,还可以使用事件中心来生成流式处理应用程序。
与第三方 IDE 集成 HDInsight 提供多个 IDE 插件,这些插件可用于创建应用程序,并将应用程序提交到 HDInsight Spark 群集。 有关详细信息,请参阅使用用于 IntelliJ IDEA 的 Azure 工具包使用用于 Eclipse 的 Azure 工具包
并发查询 HDInsight 中的 Spark 群集支持并发查询。 此功能允许一个用户运行多个查询,或者不同的用户运行多个查询,以及让应用程序共享相同的群集资源。
SSD 缓存 可以选择将数据缓存在内存中,或缓存在已附加到群集节点的 SSD 中。 内存缓存提供最佳的查询性能,但可能费用不菲。 SSD 缓存是改善查询性能的绝佳选项,而且不需要根据内存中的整个数据集创建满足其需求的群集规模。
与 BI 工具集成 HDInsight 中的 Spark 群集提供 BI 工具(如 Power BI)的连接器,用于数据分析。
预先加载的 Anaconda 库 HDInsight 中的 Spark 群集随附预先安装的 Anaconda 库。 Anaconda 提供将近 200 个用于机器学习、数据分析、可视化等的库。
可伸缩性 HDInsight 允许更改群集节点数量。 此外,由于所有数据都存储在 Azure 存储中,因此可以在不丢失数据的情况下删除 Spark 群集。
SLA HDInsight 中的 Spark 群集附有全天候支持和保证正常运行时间达 99.9% 的 SLA。

默认情况下,HDInsight 中的 Spark 群集可通过群集提供以下组件。

HDInsight 中的 Spark 群集还提供 ODBC 驱动程序,可让你从诸如 Microsoft Power BI 的 BI 工具连接到 HDInsight 中的 Spark 群集。

Spark 群集体系结构

HDInsight Spark 的体系结构

了解 Spark 在 HDInsight 群集上的运行方式后,即可轻松了解 Spark 的组件。

Spark 应用程序在群集上作为一组独立的进程运行,由主要程序(称为驱动器程序)中的 SparkContext 对象加以协调。

SparkContext 可连接到多种类型的群集管理器,因而可跨应用程序分配资源。 这些群集管理器包括 Apache Mesos、Apache YARN 或 Spark 群集管理器。 在 HDInsight 中,Spark 使用 YARN 群集管理器运行。 连接后,Spark 可获取群集中工作节点上的执行程序,该执行程序是为应用程序运行计算和存储数据的进程。 然后,它将应用程序代码(由传递给 SparkContext 的 JAR 或 Python 文件指定)发送到执行程序。 最后,SparkContext 将任务发送给执行程序来运行。

SparkContext 在工作节点上运行用户的主函数,并执行各种并行操作。 然后,SparkContext 收集操作的结果。 工作节点从 Hadoop 分布式文件系统 (HDFS) 读取数据并将数据写入其中。 工作节点还将已转换数据作为弹性分布式数据集 (RDD) 缓存在内存中。

SparkContext 连接到 Spark 主服务器,并负责将应用程序转换为单个任务的有向图 (DAG),这些任务在工作节点上的执行程序进程中执行。 每个应用程序获取自己的执行程序进程,这些进程在整个应用程序持续时间内保留,并以多个线程运行任务。

HDInsight 中的 Spark 用例

HDInsight 中的 Spark 群集适用于以下主要方案:

  • 交互式数据分析和 BI

    HDInsight 中的 Apache Spark 将数据存储在 Azure 存储中。 商务专家和重要决策者可以利用这些数据来进行分析和创建报告,并使用 Microsoft Power BI 来根据分析数据生成交互式报告。 分析师可以从群集存储内的非结构化/半结构化数据着手,使用 Notebook 来定义数据的架构,然后使用 Microsoft Power BI 生成数据模型。 HDInsight 中的 Spark 群集还支持 Tableau 等多种第三方 BI 工具,可让数据分析师、商务专家和重要决策者更轻松地工作。

    教程:使用 Power BI 可视化 Spark 数据

  • Spark 机器学习

    Apache Spark 随附 MLlib - 构建在 Spark(可以从 HDInsight 中的 Spark 群集使用)基础之上的机器学习库。 HDInsight 中的 Spark 群集还包含 Anaconda - 为机器学习提供各种包的 Python 发行版。 结合内置的 Jupyter 和 Zeppelin 笔记本支持,即可拥有机器学习应用程序创建环境。

  • Spark 流式处理和实时数据分析

    HDInsight 中的 Spark 群集提供丰富的支持,供你生成实时分析解决方案。 尽管 Spark 已随附从 Kafka、Flume、Twitter、ZeroMQ 或 TCP 套接字等众多来源引入数据的连接器,但 HDInsight 中的 Spark 增加了一流的支持,供你从 Azure 事件中心引入数据。 事件中心是 Azure 上最广泛使用的队列服务。 拥有立即可用的事件中心支持,让 HDInsight 中的 Spark 群集成为生成实时分析管道的理想平台。

从哪里开始?

可通过以下文章深入了解 HDInsight 中的 Spark:

后续步骤

在此概述中,可了解 Azure HDInsight 中 Apache Spark 的一些基础知识。 转到下一文章,了解如何创建 HDInsight Spark 群集并运行 Spark SQL 查询: