SparkR:數據科學家的新利器

摘要：R是數據科學家中最流行的程式語言和環境之一，在Spark中加入對R的支持是社區中較受關注的話題。作為增強Spark對數據科學家群體吸引力的最新舉措，最近發布的Spark 1.4版本在現有的Scala/Java/Python API之外增加了R API（SparkR）。SparkR使得熟悉R的用戶可以在Spark的分布式計算平臺基礎上結合R本身強大的統計分析功能和豐富的第三方擴展包，對大規模數據集進行分析和處理。本文將回顧SparkR項目的背景，對其當前的特性作總體的概覽，闡述其架構和若干技術關鍵點，最後進行展望和總結。

項目背景

R是非常流行的數據統計分析和製圖的語言及環境，有一項調查顯示，R語言在數據科學家中使用的程度僅次於SQL。但目前R語言的核心運行環境是單線程的，能處理的數據量受限於單機的內存容量，大數據時代的海量數據處理對R構成了挑戰。

為了解決R的可伸縮性問題，R社區已經有一些方案，比如parallel和snow包，可以在計算機集群上並行運行R代碼。但它們的缺陷在於沒有解決數據分布式存儲，數據仍然需要在主節點集中表示，分片後再傳輸給工作節點，不適用於大數據處理的場景。另外，數據處理模型過於簡單，即數據分片在工作節點處理後，結果收集回主節點，缺少一個象MapReduce那樣通用的分布式數據編程模型。

Hadoop是流行的大數據處理平臺，它的HDFS分布式文件系統和之上的MapReduce編程模型比較好地解決了大數據分布式存儲和處理的問題。RHadoop項目的出現使得用戶具備了在R中使用Hadoop處理大數據的能力。

Apache頂級開源項目Spark是Hadoop之後備受關注的新一代分布式計算平臺。和Hadoop相比，Spark提供了分布式數據集的抽象，編程模型更靈活和高效，能夠充分利用內存來提升性能。為了方便數據科學家使用Spark進行數據挖掘，社區持續往Spark中加入吸引數據科學家的各種特性，例如0.7.0版本中加入的python API （PySpark）；1.3版本中加入的DataFrame等。

R和Spark的強強結合應運而生。2013年9月SparkR作為一個獨立項目啟動於加州大學伯克利分校的大名鼎鼎的AMPLAB實驗室，與Spark源出同門。2014年1月，SparkR項目在github上開源（https://github.com/amplab-extras/SparkR-pkg）。隨後，來自工業界的Alteryx、Databricks、Intel等公司和來自學術界的普渡大學，以及其它開發者積極參與到開發中來，最終在2015年4月成功地合併進Spark代碼庫的主幹分支，並在Spark 1.4版本中作為重要的新特性之一正式宣布。

當前特性

SparkR往Spark中增加了R語言API和運行時支持。Spark的 API由Spark Core的API以及各個內置的高層組件（Spark Streaming，Spark SQL，ML Pipelines和MLlib，Graphx）的API組成，目前SparkR只提供了Spark的兩組API的R語言封裝，即Spark Core的RDD API和Spark SQL的DataFrame API。

需要指出的是，在Spark 1.4版本中，SparkR的RDD API被隱藏起來沒有開放，主要是出於兩點考慮：

1. RDD API雖然靈活，但比較底層，R用戶可能更習慣於使用更高層的API；
2. RDD API的實現上目前不夠健壯，可能會影響用戶體驗，比如每個分區的數據必須能全部裝入到內存中的限制，對包含複雜數據類型的RDD的處理可能會存在問題等。

目前社區正在討論是否開放RDD API的部分子集，以及如何在RDD API的基礎上構建一個更符合R用戶習慣的高層API。

RDD API

用戶使用SparkR RDD API在R中創建RDD，並在RDD上執行各種操作。

目前SparkR RDD實現了Scala RDD API中的大部分方法，可以滿足大多數情況下的使用需求：

SparkR支持的創建RDD的方式有：

• 從R list或vector創建RDD（parallelize()）
• 從文本文件創建RDD（textFile()）
• 從object文件載入RDD（objectFile()）

SparkR支持的RDD的操作有：

• 數據緩存，持久化控制：cache(),persist(),unpersist()
• 數據保存：saveAsTextFile()，saveAsObjectFile()
• 常用的數據轉換操作，如map(),flatMap(),mapPartitions()等
• 數據分組、聚合操作，如partitionBy(),groupByKey(),reduceByKey()等
• RDD間join操作，如join(), fullOuterJoin(), leftOuterJoin()等
• 排序操作,如sortBy(), sortByKey(), top()等
• Zip操作，如zip(), zipWithIndex(), zipWithUniqueId()
• 重分區操作，如coalesce(), repartition()
• 其它雜項方法

和Scala RDD API相比，SparkR RDD API有一些適合R的特點：

• SparkR RDD中存儲的元素是R的數據類型。
• SparkR RDD transformation操作應用的是R函數。
• RDD是一組分布式存儲的元素，而R是用list來表示一組元素的有序集合，因此SparkR將RDD整體上視為一個分布式的list。Scala API 中RDD的每個分區的數據由iterator來表示和訪問，而在SparkR RDD中，每個分區的數據用一個list來表示，應用到分區的轉換操作，如mapPartitions()，接收到的分區數據是一個list而不是iterator。
• 為了符合R用戶經常使用lapply()對一個list中的每一個元素應用某個指定的函數的習慣，SparkR在RDD類上提供了SparkR專有的transformation方法：lapply()、lapplyPartition()、lapplyPartitionsWithIndex()，分別對應於Scala API的map()、mapPartitions()、mapPartitionsWithIndex()。

DataFrame API

Spark 1.3版本引入了DataFrame API。相較於RDD API，DataFrame API更受社區的推崇，這是因為：

1. DataFrame的執行過程由Catalyst優化器在內部進行智能的優化，比如過濾器下推，表達式直接生成字節碼。
2. 基於Spark SQL的外部數據源（external data sources） API訪問（裝載，保存）廣泛的第三方數據源。
3. 使用R或Python的DataFrame API能獲得和Scala近乎相同的性能。而使用R或Python的RDD API的性能比起Scala RDD API來有較大的性能差距。

Spark的DataFrame API是從R的 Data Frame數據類型和Python的pandas庫借鑑而來，因而對於R用戶而言，SparkR的DataFrame API是很自然的。更重要的是，SparkR DataFrame API性能和Scala DataFrame API幾乎相同，所以推薦儘量用SparkR DataFrame來編程。

目前SparkR的DataFrame API已經比較完善，支持的創建DataFrame的方式有：

• 從R原生data.frame和list創建
• 從SparkR RDD創建
• 從特定的數據源(JSON和Parquet格式的文件)創建
• 從通用的數據源創建
• 將指定位置的數據源保存為外部SQL表，並返回相應的DataFrame
• 從Spark SQL表創建
• 從一個SQL查詢的結果創建

支持的主要的DataFrame操作有：

• 數據緩存，持久化控制：cache(),persist(),unpersist()
• 數據保存：saveAsParquetFile(), saveDF() （將DataFrame的內容保存到一個數據源），saveAsTable() （將DataFrame的內容保存存為數據源的一張表）
• 集合運算：unionAll()，intersect(), except()
• Join操作：join()，支持inner、full outer、left/right outer和semi join。
• 數據過濾：filter(), where()
• 排序：sortDF(), orderBy()
• 列操作：增加列- withColumn()，列名更改- withColumnRenamed()，選擇若干列 -select()、selectExpr()。為了更符合R用戶的習慣，SparkR還支持用$、[]、[[]]操作符選擇列，可以用$<列名> <- 的語法來增加、修改和刪除列
• RDD map類操作：lapply()/map()，flatMap()，lapplyPartition()/mapPartitions()，foreach()，foreachPartition()
• 數據聚合：groupBy()，agg()
• 轉換為RDD：toRDD()，toJSON()
• 轉換為表：registerTempTable(),insertInto()
• 取部分數據：limit()，take()，first()，head()

編程示例

總體上看，SparkR程序和Spark程序結構很相似。

基於RDD API的示例

要基於RDD API編寫SparkR程序，首先調用sparkR.init()函數來創建SparkContext。然後用SparkContext作為參數，調用parallelize()或者textFile()來創建RDD。有了RDD對象之後，就可以對它們進行各種transformation和action操作。下面的代碼是用SparkR編寫的Word Count示例：

library(SparkR)#初始化SparkContextsc <- sparkR.init("local", "RWordCount") #從HDFS上的一個文本文件創建RDD lines <- textFile(sc, "hdfs://localhost:9000/my_text_file")#調用RDD的transformation和action方法來計算word count#transformation用的函數是R代碼words <- flatMap(lines, function(line) { strsplit(line, " ")[[1]] })wordCount <- lapply(words, function(word) { list(word, 1L) })counts <- reduceByKey(wordCount, "+", 2L)output <- collect(counts)

基於DataFrame API的示例

基於DataFrame API的SparkR程序首先創建SparkContext，然後創建SQLContext，用SQLContext來創建DataFrame，再操作DataFrame裡的數據。下面是用SparkR DataFrame API計算平均年齡的示例：

library(SparkR)#初始化SparkContext和SQLContextsc <- sparkR.init("local", "AverageAge") sqlCtx <- sparkRSQL.init(sc)#從當前目錄的一個JSON文件創建DataFramedf <- jsonFile(sqlCtx, "person.json")#調用DataFrame的操作來計算平均年齡df2 <- agg(df, age="avg")averageAge <- collect(df2)[1, 1]

對於上面兩個示例要注意的一點是SparkR RDD和DataFrame API的調用形式和Java/Scala API有些不同。假設rdd為一個RDD對象，在Java/Scala API中，調用rdd的map()方法的形式為：rdd.map(…)，而在SparkR中，調用的形式為：map(rdd, …)。這是因為SparkR使用了R的S4對象系統來實現RDD和DataFrame類。

架構

SparkR主要由兩部分組成：SparkR包和JVM後端。SparkR包是一個R擴展包，安裝到R中之後，在R的運行時環境裡提供了RDD和DataFrame API。

圖1  SparkR軟體棧

SparkR的整體架構如圖2所示。

圖2 SparkR架構

R JVM後端

SparkR API運行在R解釋器中，而Spark Core運行在JVM中，因此必須有一種機制能讓SparkR API調用Spark Core的服務。R JVM後端是Spark Core中的一個組件，提供了R解釋器和JVM虛擬機之間的橋接功能，能夠讓R代碼創建Java類的實例、調用Java對象的實例方法或者Java類的靜態方法。JVM後端基於Netty實現，和R解釋器之間用TCP socket連接，用自定義的簡單高效的二進位協議通信。

R Worker

SparkR RDD API和Scala RDD API相比有兩大不同：SparkR RDD是R對象的分布式數據集，SparkR RDD transformation操作應用的是R函數。SparkR RDD API的執行依賴於Spark Core但運行在JVM上的Spark Core既無法識別R對象的類型和格式，又不能執行R的函數，因此如何在Spark的分布式計算核心的基礎上實現SparkR RDD API是SparkR架構設計的關鍵。

SparkR設計了Scala RRDD類，除了從數據源創建的SparkR RDD外，每個SparkR RDD對象概念上在JVM端有一個對應的RRDD對象。RRDD派生自RDD類，改寫了RDD的compute()方法，在執行時會啟動一個R worker進程，通過socket連接將父RDD的分區數據、序列化後的R函數以及其它信息傳給R worker進程。R worker進程反序列化接收到的分區數據和R函數，將R函數應到到分區數據上，再把結果數據序列化成字節數組傳回JVM端。

從這裡可以看出，與Scala RDD API相比，SparkR RDD API的實現多了幾項開銷：啟動R worker進程，將分區數據傳給R worker和R worker將結果返回，分區數據的序列化和反序列化。這也是SparkR RDD API相比Scala RDD API有較大性能差距的原因。

DataFrame API的實現

由於SparkR DataFrame API不需要傳入R語言的函數（UDF()方法和RDD相關方法除外），而且DataFrame中的數據全部是以JVM的數據類型存儲，所以和SparkR RDD API的實現相比，SparkR DataFrame API的實現簡單很多。R端的DataFrame對象就是對應的JVM端DataFrame對象的wrapper，一個DataFrame方法的實現基本上就是簡單地調用JVM端DataFrame的相應方法。這種情況下，R Worker就不需要了。這是使用SparkR DataFrame API能獲得和ScalaAPI近乎相同的性能的原因。

當然，DataFrame API還包含了一些RDD API，這些RDD API方法的實現是先將DataFrame轉換成RDD，然後調用RDD 的相關方法。

展望

SparkR目前來說還不是非常成熟，一方面RDD API在對複雜的R數據類型的支持、穩定性和性能方面還有較大的提升空間，另一方面DataFrame API在功能完備性上還有一些缺失，比如對用R代碼編寫UDF的支持、序列化/反序列化對嵌套類型的支持，這些問題相信會在後續的開發中得到改善和解決。如何讓DataFrame API對熟悉R原生Data Frame和流行的R package如dplyr的用戶更友好是一個有意思的方向。此外，下一步的開發計劃包含幾個大的特性，比如普渡大學正在做的在SparkR中支持Spark Streaming，還有Databricks正在做的在SparkR中支持ML pipeline等。SparkR已經成為Spark的一部分，相信社區中會有越來越多的人關注並使用SparkR，也會有更多的開發者參與對SparkR的貢獻，其功能和使用性將會越來越強。

總結

Spark將正式支持R API對熟悉R語言的數據科學家是一個福音，他們可以在R中無縫地使用RDD和Data Frame API，藉助Spark內存計算、統一軟體棧上支持多種計算模型的優勢，高效地進行分布式數據計算和分析，解決大規模數據集帶來的挑戰。工欲善其事，必先利其器，SparkR必將成為數據科學家在大數據時代的又一門新利器。

（責編/仲浩）

作者：孫銳，英特爾大數據團隊工程師，HIVE和Shark項目貢獻者，SparkR主力貢獻者之一。

本文為CSDN原創文章，未經允許不得轉載，如需轉載請聯繫market#csdn.net(#換成@)