大数据分布式计算组件：Hadoop丨Storm丨Spark
“工欲善其事，必先利其器”，具有特定功能的可复用组件正是计算机领域中的利器。在大数据的浪潮下，许多用于处理大数据的组件应运而生，分别应用在“数据传输”“数据存储”“数据计算”以及“数据展示”的环节中。
本文将介绍“数据计算”环节中常用的三种分布式计算组件——Hadoop、Storm以及Spark。
当前的高性能PC机、中型机等机器在处理海量数据时，其计算能力、内存容量等指标都远远无法达到要求。在大数据时代，工程师采用廉价的PC机组成分布式集群，以集群协作的方式完成海量数据的处理，从而解决单台机器在计算与存储上的瓶颈。Hadoop、Storm以及Spark是常用的分布式计算组件，其中Hadoop是对非实时数据做批量处理的组件；Storm和Spark是针对实时数据做流式处理的组件。
1．Hadoop
Hadoop是受Google Lab开发的MapReduce和Google File System(GFS) 的启发而实现的开源大数据处理平台。Hadoop的核心由HDFS分布式文件系统和MapReduce编程框架组成。前者已经在前述章节中有过介绍，它为海量数据提供了存储；后者则用于对海量数据的计算，是本节要着重介绍的内容。
MapReduce是一种通用的编程模型，下面对它做简单介绍，它的工作流程如图。
我们以字母统计为例说明上述流程。假设有文件内容为“Iamapanda, andIamfromChina”。首先，把大文件分割成data数据块；其次，把data发送到各个工作机；此时，工作机解析内容，形成Key-Value键值对数据。本例中形成的数据为, , , , , , , , ，这些数据保存在中间文件中，Map阶段结束。之后，根据Key值路由，把相同Key值的键值对路由到同一台工作机，并在工作机上实现单词计数。本例中计数结果, , , , , , 。最后，各Reduce工作机把结果写入文件，Reduce阶段结束。
Hadoop平台上通过JobTracker和TaskTracker协调调度，实现MapReduce的运行，其工作机制可以用下图说明。
上图可知，JobTracker负责任务调度，而TaskTracker负责任务的执行；同时，需要处理的数据存储在HDFS中，TaskTracker根据MR程序读取并处理数据。
以上对Hadoop的介绍依据的是Hadoop1.0（第一代Hadoop）的整体框架，当前Hadoop2.0（第二代Hadoop）引入了YARN作为其资源调度的方式，架构与1.0略有不同，但依然采用MR的计算模型。
2．Storm
Storm是用Clojure语言编写的分布式实时流处理系统。Hadoop平台执行批处理操作，数据处理的延迟较高；而进入Storm的数据则像水流一样源源不断流入，并对其做实时处理。Storm集群架构如下。
Nimbus与Hadoop中JobTracker的功能类似，负责资源的管理和任务的调度。从Zookeeper中读取各节点信息，协调整个集群的运行。
Supervisor与Hadoop中TaskTracker的功能类似，负责接受任务，负责自身Worker进程的创建和任务的执行。
Worker是机器上具体的运行进程，Executor是该进程中的线程。一个Executor可以执行多个Task。在该集群架构的方式下，Storm实现了如下的计算模型。
Spout是数据的入口，负责接受推送的数据，或者主动拉取数据。同时，把接收的数据转换为Tuple对象发送到Blot中处理。数据从Spout进入，封装成Tuple，传输到第一层的某个Blot中，该Blot处理完成后，路由到第二层的某个Blot中，依此类推直到最后一组Blot处理结束。
Blot是Storm实际的数据处理单元，接受Spout或者上一级Blot传输的数据并处理。根据并发度的设置，Blot会分散到集群的一台或多台集群上并发执行，从而有效利用集群的计算能力，提高数据处理的实时性。这和在单台机器上多线程处理有相似之处。
Tuple是一个或多个包含键值对的列表。数据会封装成Tuple对象在Spout与Blot之间传输。Storm支持7种路由策略，分别为
- Shuffle分组，Tuple随机分散传输到后续的多个Task中；
- Fields分组，根据指定field来做哈希，相同的哈希值传输到同一个Task；
- All分组，广播式地发送，把所有的Tuple发送到所有的Task中；
- Global分组，把所有的Tuple发送到一个Task中；
- None分组，也就是不关心如何路由，目前等同于shuffle分组；
- Direct分组，是一种特殊的分组，需要手动指定Task；
- Localorshuffle分组，如果目标Blot中的Task和产生数据的Task在同一个Worker中，就执行线程间的内部通信，否则等同于shuffle分组。
3．Spark
Spark是用Scala语言编写的分布式数据处理平台。Spark的核心数据处理引擎依然是运行MapReduce计算框架，并且围绕该引擎衍生出多种数据处理组件，共同打造了轻量级的数据处理生态圈。
Spark数据引擎是各组件库的核心。Spark与Hadoop的计算框架都是基于MapReduce模型的，Spark自身不包含类似HDFS的文件系统模块，而是借助外部的平台如HDFS、HBase等存取数据。Spark在执行MapReduce的过程中做了重要的优化：第一，计算的中间数据不写磁盘，全部在内存中执行（可以设置对磁盘的依赖）；第二，支持任务的迭代。Hadoop任务必须依照Map→Reduce成对执行，然而Spark可以依据任务的DAG图，按照Map→Map→Reduce等任意方式执行。这两点改进极大缩短了任务时延。
下图为Spark的工作流程。RDD是Spark的重要概念，代表了数据集和操作的结合。数据集来自内部或者外部，操作包含map，group，reduce等。我们下面给出一个RDD的示例。
-
val lines = sc.textFile("data.txt") -
val lineLengths = lines.map(s =>s.length) -
val totalLength = lineLengths.reduce((a, b) =>a + b)
lineLengths就代表数据集lines和操作map组成的RDD。一个RDD又可以分多个Task执行，按照其执行的顺序组成DAG图。后续RDD的执行依赖先前RDD的执行，因此这种依赖关系又可以划分为Stage，下图直观说明了DAG、Stage、RDD以及Task的概念。
Spark Streaming是基于Spark核心处理引擎实现的高吞吐与低延迟的分布式流处理系统。与Storm相比，两者在功能上是一致的，都实现了数据流的实时处理；Storm的延迟在亚秒级别，而Spark Streaming是在秒级别，主要因为前者对数据的处理就像水流一样，来一条数据则处理一条，而后者是不断进行小批量处理，只有在某些苛刻的场景下才能对比出这两种方式的优劣。Spark Streaming数据处理流程如下。
SparkSQL是分布式SQL查询引擎，与Hive类似，并对Hive提供支持。Hive基于Hadoop的MapReduce实现查询，而SparkSQL则是基于Spark引擎，因此查询速度更快。但是，SparkSQL需要更多的内存，在实际应用中其功能的丰富性和稳定性却不如Hive。不过随着系统的不断演化，SparkSQL将逐渐取代Hive，成为分布式SQL查询引擎的佼佼者。
MLlib是Spark封装的一些常用的机器学习算法相关库。基于RDD的方式实现了二元分类、回归、系统过滤等一些算法。GraphX主要对并行图计算提供支持，开发并实现了一些和图像相关新的Spark API。
本文选自《Python绝技：运用Python成为顶级数据工程师》，作者黄文青，电子工业出版社2018年6月出版。