友情序言 to 《Learning Spark: Lightning-fast big data analytics》

友情序言

获悉Spark最近要出书了，突然有很多感慨，心想不如写点东西出来，算是友情支持，也算是个人总结。观点尽量中立，内容尽量煽情。

 

本着牛哥“站在巨人的肩膀上”的理论，在捧Spark之前，要先捧一下她的前辈们。大数据系统中最核心的莫过于分布式处理框架，因为框架负责job执行的方方面面，如job分解、task调度与执行、错误容忍、数据流等等。较早（04年发表）也是最重要的贡献是Google的MapReduce框架，她将函数式编程思想引入到分布式数据处理中，仅仅用两个函数（map和reduce）就解决了一大类的大数据批处理问题，用户也再也不用担心分布式带来的诸多系统层面问题。MapReduce缺点也很明显：处理流程过于固定，不支持迭代，job执行时间一般较长。MapReduce的开源实现Hadoop在08年的时候赢得了TeraSort冠军，开始占领市场，到今天，整个生态圈已经庞大到有些臃肿。微软在沉寂了几年后，08年推出了与MapReduce直接竞争的Dryad，以DAG型的数据流取代了MapReduce固定的数据流，更复杂但功能更强。次年的DryadLINQ将更多的函数式思想（其实很多来源于C#的LINQ）引入到分布式编程范型中，到今天看来也非常先进。好了，该Spark登场了，Spark最大的贡献在于她的数据模型RDD，以前的框架都把数据当成原始的KV键值对，整个处理流程中不同阶段的数据没有明确关系。RDD给出了明确的数据逻辑关系，建立了数据依赖及数据模型，最后也能方面地将数据模型转化为具体的处理任务。Spark的编程范型其实借鉴了DryadLINQ的范型。至于内存cache、迭代计算等特性，其实把MapReduce或Dryad的实现机制改动一下也可以做到。当然这些特性对减低job执行时间很重要，也是Spark的卖点。对了，EPFL的Scala语言也功不可没，名字上就很scalable。她的关键词是学院派、函数式、静态类型、面向对象、Java兼容。多数人认为Scala是Java的接班人。如果将Spark比作孙悟空，Scala就是他的金箍棒。

 

学术喷完了，喷一下出书的问题。不得不说，当一个东西写成书的时候，是这个东西成熟的时候，也意味着在学术上已经out了。《Hadoop: The Definitive Guide》09年出版，是Hadoop炙手可热的时候，大多数人（也包括我自己）都是从这本书开始入门的。11年的《Programming Pig》也不错，12年的《Programming Hive》也可以，这些书都是在系统还没有到1.0版本的时候出的，佩服O'Reilly的速度。这本书也是在Spark还在0.7版本（可能出版的时候已经0.8/0.9）的时候出的，全书应该2-300页，用法介绍应该会多些，不过对广大用户应该够用了。O’Reilly书的特点就是新但不深入，对于想要了解内部运行机制的人来说，还是阅读代码吧。J

 

再谈一下Berkeley这些Geek们，他们继承了Bill Joy的光芒，一定要做前沿、实用、solid的工作，这也是为什么他们的论文题目总是“SystemName: A system for ***”。从底层Tachyon到框架Spark，到资源管理Mesos，再到上层Shark/MLBase/Bagel/Streaming等等，都是很系统的工作。对他们真是又爱又恨，爱的是系统都开源，可以学习到先进技术；恨的是他们把idea都想完做完了，J

 

最早关注Matei是他为Hadoop做的各种调度器：LATE/Delay/Fair调度器。LATE那篇引用率很高，貌似我也贡献了一个引用。但是调度器的贡献用户一般感受不到，这显然不是Matei去Berkeley的初衷。09年Matei综合了前辈们的工作，加上头脑风暴和原型实现，在10年的HotCloud发了他的占位paper。之后的2年，不断设计、实现、优化、与互联网企业推广试用，终于在12年系统成型并夺得NSDI的best paper。Shark也类似，可见做system，不仅苦逼，还需要执着与承受力。古语云“天时地利人和”，AMPLab全占了。不过最重要的是，这些Geek们在光明的道路上一直勇敢向前，值得我们学习与效仿。这些Geek们也很nice，在邮件列表上有问必答，“知无不言，言无不尽”，很受用。Matei今年要毕业当老师了，好想知道他带学生的样子。

 

有幸3月份在清华见到了Shark的作者Reynold Xin，请教了不少问题，也祝贺Shark高中SIGMOD 2013。辛博士在国内的推广活动比较成功，希望多来做做报告。国内还有很多单位如Intel对Spark的贡献挺大，他们是对开源有激情、有能力的一帮人，赞一下。

 

不多废话了，有时间还是多想想为这个项目贡献点东西吧。

另外，强烈建议封面换为海星，不然怎么体现Spark。等到Shark出书的时候，再整成鱼而且是鲨鱼吧。

 

@JerryLead

csxulijie@gmail.com

PhD Candidate @ ISCAS

Intern @ System Research Group, MSRA

2013-04-27