Apache Spark 2.4 回顾以及 3.0 展望

Apache Spark 2.4 回顾以及 3.0 展望

过往记忆大数据 过往记忆大数据
本文资料来自 2019-03-28 在旧金山举办的 Strata Data Conference，详情请参见 https://conferences.oreilly.com/strata/strata-ca/public/schedule/detail/72637。分享者来自数砖著名的范文臣和李潇两位大佬。

本次分享包括了对 Apache Spark 2.4 回顾以及对 Apache Spark 3.0 的展望。Apache Spark 2.4 版本是 2.x 系列的第五个版本，此版本的主要特性包括以下几点：

• 新的调度模型（Barrier Scheduling），使用户能够将分布式深度学习训练恰当地嵌入到 Spark 的 stage 中，以简化分布式训练工作流程。
• 添加了35个高阶函数，用于在 Spark SQL 中操作数组/map。
• 新增一个新的基于 Databricks 的 spark-avro 模块的原生 AVRO 数据源。
• PySpark 还为教学和可调试性的所有操作引入了热切的评估模式（eager evaluation mode）。
• Spark on K8S 支持 PySpark 和 R ，支持客户端模式（client-mode）。
• Structured Streaming 的各种增强功能。 例如，连续处理（continuous processing）中的有状态操作符。
• 内置数据源的各种性能改进。 例如，Parquet 嵌套模式修剪（schema pruning）。
• 支持 Scala 2.12。
  更多关于 Apache Spark 2.4 的东西请参见《Apache Spark 2.4 正式发布，重要功能详细介绍》。
  Apache Spark 3.0 也包含了许多重要的特性，比如 GPU 感知调度（GPU-aware Scheduling，详细请参见 《Apache Spark 3.0 将内置支持 GPU 调度，文末有福利》） 、Spark Graph 图的增强、Data Source API V2、自适应执行（Adaptive Execution，详细请参见《Adaptive Execution如何让Spark SQL更高效更好用？》、Apache Spark SQL自适应执行实践https://www.iteblog.com/archives/2319.html）、 支持 Hadoop 3.x、支持 Hive 2.3.4、Scala 2.12 GA、更好的ANSI SQL合规性、PySpark 可用性进一步提升等。当然，这仅仅是简单地介绍了 Apache Spark 3.0 的特性，冠以 Spark 3.0 更详细的介绍请参见04月23-25日在旧金山举办的Spark+AI Summit 2019！，下图是 Apache Spark 3.x 的新架构图。

好了，废话不多说了，下面是本次会议的PPT全文，关注 Hadoop技术博文 公众号，并回复 spark-3 获取本文PPT。