|
|
51CTO旗下网站
|
|
移动端

为何Spark在编程界越来越吃香?Spark将成为数据科学家的统一平台

统计科学家使用交互式的统计工具(比如R)来回答数据中的问题,获得全景的认识。与之相比,数据工程师则更像一名程序员,他们在服务器上编写代码,创建和应用机器学习模型,熟悉C++和Java等系统级语言,经常需要和企业级数据中心的某些组件打交道,比如Hadoop。

作者:Python大数据工程师来源:今日头条|2020-04-10 11:53

前言

统计科学家使用交互式的统计工具(比如R)来回答数据中的问题,获得全景的认识。与之相比,数据工程师则更像一名程序员,他们在服务器上编写代码,创建和应用机器学习模型,熟悉C++和Java等系统级语言,经常需要和企业级数据中心的某些组件打交道,比如Hadoop。

而有的数据科学家专注于更细的领域,就像精通R但从未听说过Python或者scikit-learn(反之亦然),即便两者都提供了丰富的统计库。(文末附有惊喜!)

Spark相比其他工具

如果可以提供一种统一的工具,运行在统一的架构,用统一的语言编程,并可以同时满足统计科学家和数据工程师的需求,那该多好啊。难道为了研究数据,我就必须去学一种像Python或R的语言?我一直使用传统的数据分析工具,难道为了应对大规模计算,就必须去懂MapReduce?正是统计工具的不完美造就了这种局面:

  • R提供了一个丰富的统计分析和机器学习的解释器。但R难以在分布式条件下执行数据的分析和清洗,以便开展其所擅长的数据分析,也不以一种主流的开发语言为人所知。
  • Python是-种通用的编程语言,也不乏出色的第三方数据分析库(像Pandas和scikit-learn),但Python也有和R一样的缺陷:只能局限在处理单机能负载的数据量。
  • 在经典的MapReduce计算框架上开发分布式的机器学习算法是可行的(参考Mahout),但程序员需要从零开始,更别说移植复杂计算的难度。
  • 为降低复杂计算移植到MapReduce的难度,Crunch 提供一个简单的、傻瓜式的Java API,但MapReduce天生决定了它在迭代计算方面是低效的,尽管大多数机器学习算法都需要迭代计算。 
为何Spark在编程界越来越吃香?Spark将成为数据科学家的统一平台

Spark的优势

Spark是一个超有潜力的通用数据计算平台,无论是对统计科学家还是数据工程师。大部分人讨论到Spark时,总是注意到将数据驻留内存以提高计算效率的方面(相对MapReduce),Spark 拥有许多的特征,使之真正成为一个融合统计科学和数据工程的交叉点:

  • Spark附带了一个机器学习库MLib,虽然只是在初始阶段。
  • Spark是用Scala语言编写的,运行在Java虚拟机上,同时也提供像R和Python的命令行解释器。
  • 对Java程序员,Scala 的学习曲线是比较陡峭的,但所幸Scala可以兼容一切的Java库。
  • Spark的RDD(弹性分布式数据集),是Crunch开发者熟知的--种数据结构。
  • Spark模仿了Scala 的集合计算API,对Java和Scala开发者来说耳熟能详,而Python开发者也不难上手,而Scala对统计计算的支持也不错。
  • Spark和其底层的Scala语言,并不只是为机器学习而诞生的,除此之外,像数据访问、日志ETL和整合都可以通过API轻松搞定。就像Python,你可以把整个数据计算流程搬到Spark平台.上来,而不仅仅是模型拟合和分析。

在命令行解释器中执行的代码,和编译后运行的效果相同。而且,命令行的输入可以得到实时反馈,你将看到数据透明地在集群间传递与计算。

Spark和MLib还有待完善整个项目有不少bug,效率也还有提升的空间,和YARN的整合也存在问题。Spark还没办法提供像R那样丰富的数据分析函数。但Spark已然是世界上最好的数据平台,足以让来自任何背景的数据科学家侧目。

为何Spark在编程界越来越吃香?Spark将成为数据科学家的统一平台

Stack Overflow问题的自动标注

Stack Overflow是一个著名的软件技术问答平台,在上面提的每个问题有可能被打上若干个短文本的标签,比如java或者sql,我们的目标在于建立一.套系统,使用ALS推荐算法,为新问题的标签提供预测和建议。从推荐系统的角度,你可以把问题想象成user,把标签想象成item。

首先,从Stack Overflow下载官方提供的截至20140120的问答数据

  1. sta ckoverflow. com-Posts. 7z 

这是一个能够直接用于分布式计算的bzip格式文件,但在我们的场景下,必须先解压并拷

贝到HDFS

  1. bzcat stackover flow. com-Posts.7z| hdfs dfs -put一/user /srowen/ Posts. xml 

解压后的文件大约是24.4GB,包含210万个问题,1800 万个回答,总共标注了930万个标签,这些标签排重之后大概是34000个。

确认机器安装了Spark 之后,输入spark-shell即可打开Scala的REPL环境。首先,我们读取一个存储在HDFS的Posts. xm文件:

  1. val postsXML = sC. textFile("hdfs:/ //user /srowen/Posts. xml"

这时命令行工具会返回:

  1. postsXML: org. apache. spark.rdd.RDD[String] = MappedRDD[1] at textFile at :12 

显示文本文件已转化为一个String型的RDD,你可以通过调用RDD的函数,实现任意的查询运算。比如统计文件的行数:

  1. postsXML. count 

这条指令生成大量的输出,显示Spark正在利用分布式的环境计数,最终打印出18066983。

下一步,将XML文件的每- -行都存入形如(questionID, tag)的元组。得益于Scala的函数式编程的风格,RDD和Scala集合-样可以使用map等方法:

  1. val postIDTags = postsXML. flatMap { line =>  
  2. // Matches Id=".. ."  
  3. Tags="..." in line  
  4. val idTagRegex = "Id=\"(\\d+)\". +Tags=\"([^\"]+)\"".r  
  5. // // Finds tags like <TAG> value from above  
  6. val tagRegex = "<([^&]+)>".r  
  7. // Yields 0 or 1 matches:  
  8. idTagRegex. findFirstMatchIn(line) match {  
  9. // No match -- not a line  
  10. case None => None  
  11. // Match, and can extract ID and tags from m  
  12. case Some(m) => {  
  13. val postID = m. group(1) . toInt  
  14. val tagsString = m. group(2)  
  15. // Pick out just TAG matching group  
  16. val tags = tagRegex. findAllMatchIn(tagsString)。map(_ . group  
  17. (1)) . toList  
  18. // Keep only question with at least 4 tags, and map to (pos  
  19. t,tag) tuples  
  20. if (tags.size >= 4) tags . map( (postID,_)) else None  
  21.  
  22.  
  23. // Because of flatMap,individual lists will concatenate  
  24. // into one collection of tuples  

你会发现这条指令的执行是立即返回的,而不像count一样需要等待,因为到目前为止,Spark并未启动任何主机间的数据变换。

ALS的MLib实现必须使用数值ID而非字符串作为惟一标识,而问题的标签数据是字符串格式的,所以需要把字符串哈希成一个非负整数,同时保留非负整数到字符串的映射。这里我们先定义一个哈希函数以便复用。

  1. def nnHash(tag: String) = tag.hashCode & 0x7FFFFF 
  2. var tagHashes = postIDTags .map(_._2) .distinct. map(tag => (nnHash 
  3. (tag) , tag)) 

现在把元组转换为ALS计算所需的输入:

  1. import org. apache. spark. mllib. recommendation._  
  2. // Convert to Rating(Int ,Int,Double) objects  
  3. val alsInput = postIDTags.map(t => Rating(t. _1, nnHash(t._2), 1.  
  4. 0) )  
  5. // Train model with 40 features, 10 iterations of ALS  
  6. val model = ALS. trainImplicit(alsInput, 40,10) 

这一步生成特征矩阵,可以被用来预测问题与标签之间的关联。由于目前MLib还处于不完善的状态,没有提供一个recommend的接口来获取建议的标签,我们可以简单定义一个:

  1. def  
  2. recommend (questionID: Int, howMany: Int = 5): Array[(String ,  
  3. Double)] = {  
  4. // Build list of one question and all items and predict value f  
  5. or all of them  
  6. val predictions = model. predict(tagHashes.map(t => (questionI  
  7. D,t._1)))  
  8. // Get top howMany recommendations ordered by prediction value  
  9. val topN = predictions. top ( howMany) (Ordering . by [Rating,Doub1  
  10. e](_.rating))  
  11. // Translate back to tags from IDs  
  12. topN . map(r => (tagHashes. lookup(r . product)(0),r .rating)) 

通过上述函数,我们可以获得任意一个问题比如ID为7122697的How to make substring-matching query work fast on a large table?的至少4个标签:

  1. recommend ( 7122697)。foreach(println) 

推荐结果如下所示:

  1. (sqL,0.17745152481166354)  
  2. (database,0.13526622226672633)  
  3. (oracle , 0.1079428707621154)  
  4. (ruby-on-rails, 0.06067207312463499)  
  5. (postgresql,0.050933613169706474) 

注意:

  • -每次运行得到的结果不尽相同,是因为ALS是从随机解开始迭代的
  • -如果你希望获得实时性更高的结果,可以在recommend前输入tagHashes=tagHas hes. cache

真实的问题标签是postgresql、query-optimi zation、substring 和text-search。不过,预测结果也有一定的合理性(postgresq 经常和ruby-on-rails一起出现)

当然,以上的示例还不够优雅和高效,但是,我希望所有来自R的分析师、鼓捣Python 的黑客和熟悉Hadoop的开发者,都能从中找到你们熟悉的部分,从而找到一条适合你们的路径去探索Spark,并从中获益。

【编辑推荐】

  1. 为什么Spark在数据科学界这么红?
  2. 解析SparkStreaming和Kafka集成的两种方式
  3. Spark 3.0 终于支持 event logs 滚动了
  4. 解决 Spark 数据倾斜的 8 大实用方法
  5. 三分钟读懂Hadoop、HBase、Hive、Spark分布式系统架构
【责任编辑:未丽燕 TEL:(010)68476606】

点赞 0
分享:
大家都在看
猜你喜欢

订阅专栏+更多

Active Directory 架构规划实战

Active Directory 架构规划实战

4类AD架构规划
共15章 | wx5918591c0084b

228人订阅学习

庖丁解牛Ceph分布式存储

庖丁解牛Ceph分布式存储

云计算存储的基石
共5章 | Happy云实验室

157人订阅学习

AI语音聊天应用开发

AI语音聊天应用开发

一键部署Web服务
共4章 | jextop

22人订阅学习

订阅51CTO邮刊

点击这里查看样刊

订阅51CTO邮刊

51CTO服务号

51CTO官微