Azure HDInsight 中的 Apache Spark 是什么

Apache Spark 是并行处理框架,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 Spark 在云中的实现。 使用 HDInsight 可在 Azure 中轻松创建和配置 Spark 群集。 HDInsight 中的 Spark 群集兼容 Azure Blob 存储和 Azure Data Lake Storage。 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 Apache Hadoop 组件和版本

Spark:一种统一框架

什么是 Apache 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(例如通过 Hadoop 分布式文件系统 (HDFS) 共享数据的 Hadoop)快速得多。 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 Apache Spark 群集入门
易于使用 HDInsight 中的 Spark 群集包括 Jupyter Notebook 和 Apache Zeppelin Notebook。 可以使用这些笔记本执行交互式数据处理和可视化。 请参阅将 Apache Zeppelin 笔记本与 Apache Spark 配合使用在 Apache Spark 群集上加载数据并运行查询
REST API HDInsight 中的 Spark 群集包含 Apache 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。 请参阅使用 Apache Spark REST API 将远程作业提交到 HDInsight Spark 群集
支持 Azure 存储 HDInsight 中的 Spark 群集可使用 Azure Data Lake Storage Gen2 作为主存储或附加存储。 有关 Data Lake Storage Gen2 的详细信息,请参阅 Azure Data Lake Storage Gen2
与 Azure 服务集成 HDInsight 中的 Spark 群集随附了 Azure 事件中心的连接器。 可以使用事件中心来构建流式处理应用程序。 此类应用程序包括已作为 Spark 的一部分提供的 Apache Kafka。
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 Azure Toolkit for IntelliJ IDEA使用用于 VSCode 的 Spark 和 Hive 工具使用 Azure Toolkit for Eclipse
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。 请参阅使用 Azure HDInsight IO 缓存提高 Apache Spark 工作负载的性能
与 BI 工具集成 HDInsight 中的 Spark 群集为 BI 工具(例如用于数据分析的 Power BI)提供了连接器。
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、可视化效果等的库。
自适应性 HDInsight 允许通过自动缩放功能动态更改群集节点的数量。 请参阅自动缩放 Azure HDInsight 群集。 此外,由于所有数据都存储在 Azure Blob 存储或 Azure Data Lake Storage Gen2 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 Apache Spark 群集可通过群集提供以下组件。

HDInsight Spark 群集提供了一个 ODBC 驱动程序,用于从 BI 工具(例如 Microsoft Power BI)建立连接。

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,可跨应用程序分配资源。 这些群集管理器包括 Apache Mesos、Apache Hadoop 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 主节点,负责将应用程序转换为各个任务的有向图 (DAG)。 在工作器节点上的执行程序进程内执行的任务。 每个应用程序都有其自己的执行程序进程。 这些进程会在整个应用程序的持续时间内保持运行,并以多个线程的形式运行任务。

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 Blob 存储或 Azure Data Lake Storage Gen2 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。

Spark 机器学习

Apache Spark 附带了 MLlib。 MLlib 是在 Spark 基础上构建的机器学习库,可以从 HDInsight 中的 Spark 群集使用。 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,你有了一个用于创建机器学习应用程序的环境。

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。 Spark 已包含一些连接器用于从 Kafka、Flume、Twitter、ZeroMQ 或 TCP 套接字等多个源引入数据。 HDInsight 中的 Spark 为从 Azure 事件中心引入数据增加了了一流的支持。 事件中心是 Azure 上最广泛使用的队列服务。 HDInsight 中的 Spark 群集完全支持事件中心,因此已成为生成实时分析管道的理想平台。

后续步骤

在此概述中,你已基本了解了 Azure HDInsight 中的 Apache Spark。 可以使用以下文章来详细了解 HDInsight 中的 Apache Spark,并且可以创建 HDInsight Spark 群集并进一步运行一些示例 Spark 查询: