大数据基础原理

1. 背景

在各行各业的发展中，无论来源、记录方式如何，人们必然会积累各种各样的数据，并且倾向于通过统计数据分析现实情况,以此作为指导行动方向的依据。因此,统计学中一直围绕着数据进行建模与问题分析，给出对数据背后反映问题的判断。

由于计算机的发展，承载数据统计和分析的实体自然而然地变成了各式各样的计算机。在计算机和互联网的发展下，在数据分析领域也催生了一些新的计算形态。而且尽管各种行业的数据模型不同, 但是不同需求之间是有共性的。

如今已经为人熟知的大数据的概念,包括规模的增长，异构多样的数据带来的各种处理需求，其实在计算机领域是可以预见到的。在小数据，单机的情况下可以良好工作的算法,在数据规模激增的情况下不一定行得通,需要以各种新的设计来解决相应的问题。

在硬件上，表现为多核处理器和多机系统的发展；在软件层面，有对应高性能并行计算的MPI，当然也有以Google的MapReduce为滥觞的一系列集群式ETL的数据处理框架。

Hadoop是大数据处理框架在开源社区的先驱，下文仅讨论Hadoop生态相关的计算框架。

发展历程

由于提升单台计算机的成本曲线让人望而生畏, 由相对廉价的计算机集群执行的分布式计算成为了一种现实的选择。

因为互联网业务的特点,处理大量的文档,网络请求日志来生成报告乃至进行机器学习,大规模图学习成为其常见的场景。伴随着这些场景，Google的工程师实践并提出了MapReduce计算模型，同时贡献了GFS，Big Table。之后, 业界逐渐出现并演化了一批用于大数据处理的框架和组件，Hadoop即是其中的早期代表。

Hadoop的组成至少包含以下部分：

yarn是计算集群任务调度的服务中心；map reduce计算引擎；hdfs的文件系统。

MapReduce本身的概念其实并不难理解,但是其面对真实场景需要解决大量的工程问题。

以Hadoop为例,其本身就要处理很多异常情况。典型问题，如在集群中出现节点异常是家常便饭,每一步都可能出错或者被意外中断；mapreduce的数据分片经历了大量的基准测试和优化，在不同场景下要达到高性能的配置也相当复杂。hadoop的实现也没有达到一个完美的地步。hadoop只能处理批量离线数据,而且为了使用它执行一个操作经常需要做很多的MapReduce组合。由于其数据在处理过程中大部分都需要落盘,因此hadoop在性能上并没有优势，直接使用map reduce的方式到今天为止已经完全淡出工业界了。

尽管如此，入门大数据领域的时候了解MapReduce仍然是有其意义的。

2. MapReduce计算模型

我们了解一下MapReduce的计算模型。

MapReduce是一个在多个节点的集群中处理数据的计算框架/过程。一个MapReduce的系统通常由map、shuffle和reduce组成。数据的流向是从master节点发送数据开始, 到reduce节点结束。

一个典型的map reduce包含下图几个阶段：

 

map，reduce的计算形式：

map (k1, v1) -> list(k2, v2)

reduce (k2, list(v2)) -> list(v2)

map阶段之前,数据会形成分片，由master节点派发给不同的worker节点；每个数据的分片中可能包含了不同的key；

map阶段,每个worker节点执行map计算任务；

map阶段是并行的,在worker节点计算输出后保存（本地），传给下一个阶段；

从map到reduce，数据会经历shuffle，其过程取决于具体的实现，并不是统一的；

reduce阶段也是在worker节点完成。worker接收到master节点分配的reduce任务，拉取map阶段的输出作为输入，计算最终的输出。跟Map阶段不同,Reduce阶段不能并行。

如何容错

master节点记录了每个节点的任务状态，并且通过ping来判断worker节点是否失败; master节点在worker任务失败的时候会重置worker节点的状态;整个任务的执行依赖于worker对任务处理的原子性。

combiner函数

MapReduce同时包含了combiner函数,也是针对map的输出进行处理，跟reducer的区别是,它是处理worker本地数据的,其输出将作为reducer的输入;针对本来要发送给reducer的数据,做一些局部的排序或合并。而有序的数据在处理上可以取出小块切片后reduce而不影响结果,既能减少网络IO，也能减少reduce阶段的计算量。

shuffle阶段

shuffle包含map阶段和reduce阶段的操作,是一个统称;

在map阶段,根据key,val将数据划分到指定的reduce任务,这个叫做partitioner,也是shuffle的一个阶段;

在reduce阶段,shuffle根据map输出的结果，对内存和磁盘内的数据处理，对将由同一个reducer处理的数据进行合并。

需要注意的是,reduce阶段的shuffle排序和合并的算法在使用Spark框架的时候无法定制,仅能通过comparator指定如何排序。

combiner优化

当reduce满足结合律,可以使用reducer直接替换combiner

如果reduce不满足结合律,无法直接用reducer替换combiner,具体问题具体分析

2.1 MapReduce combiner的实际计算样例

计算平均值：

  combiner是优化中间计算的一种方式，当使用combiner时，需要注意reducer是否满足结合率；

不妨设两个节点上有待执行map的数据集合，为A1,A2，显然，列数据的平均值不能用各自平均值取平均： AVG(AVG(A1), AVG(A2)) != AVG(A1∪A2)

这种情况需要在每条数据附加一个记录数1,最后在reduce阶段以总数和记录总数求得平均值;

计算中位数

另一个例子是计算数据的中位数: 这个目标任务的combiner函数不能是简单的取中位数。

一种方案是将map 输出的v2存为列表,这种方法会占用较多的内存;

在第一种方案的基础上其实可以进行优化：不保留所有的v2,而是记录v2的取值和对应的计数,最后得到的就是类似<k1, v1, count1>, <k2, v2, count2> ...的输出，其中列表是排好序的，在reduce阶段，遍历key的列表，在count1+count2...超过一半的总数时得到对应的中位数；同样可以优化内存的使用。

2.2. Spark计算框架

Spark是一个最为流行的大数据计算引擎。Spark基于hadoop的mapreduce计算模型做出抽象，并且在原有的资源调度、迭代计算的基础上做了许多优化，同时保留了对hadoop的hdfs，yarn等依赖。尽管它跟hadoop有关联，但是其跟hadoop并不是互为替换的关系。除此之外，伴随着更加方便的API和程序框架诞生的其他计算组件，则构建了Spark大数据处理的生态。

2.3 Hadoop Shuffle和Spark Shuffle

从功能上看，Hadoop和Spark的Shuffle是类似的，没有区别。从实现的细节上，两者才有不同。map端的shuffle一般为shuffle的Write阶段，reduce端的shuffle一般为shuffle的read阶段。

相对于Hadoop的 MapReduce，最开始的Spark在默认的情况下不对 Shuffle 的数据进行排序，即Hash Shuffle，目的是为了减少shuffle时候的性能浪费，对不需要排序的数据忽略这一步。但是，后来Spark的Shuffle经历了Hash、Sort、Tungsten-Sort（堆外内存）三阶段发展历程。

对于Hash Shuffle来说，在 Map Task 过程按照 Hash 的方式重组 Partition 的数据，不进行排序。每个 Map Task 为每个 Reduce Task 生成一个文件，通常会产生大量的文件（即对应为 M*R 个中间文件），伴随大量的随机磁盘 I/O 操作与大量的内存开销。

在Spark 1.2以后的版本中，默认的ShuffleManager改成了SortShuffleManager。SortShuffleManager相较于HashShuffleManager来说，有了一定的改进。主要就在于，每个Task在进行shuffle操作时，虽然也会产生较多的临时磁盘文件，但是最后会将所有的临时文件合并(merge)成一个磁盘文件，因此每个Task就只有一个磁盘文件。在下一个stage的shuffle read task拉取自己的数据时，只要根据索引读取每个磁盘文件中的部分数据即可[4]。而且针对不同的算子，会判断是否启用SortShuffle，从而避免不必要的排序。

 

2.4 Spark SQL, Spark Streaming, Structured Streaming

在Spark中，会用到RDD,DataFrame,DataSet(类似DataFrame)几种核心数据结构。

RDD为resilient distributed dataset，弹性分布式数据集，其结构上是Java 或Scala对象的集合.。Spark中在其上定义了很多操作，并且其接口类似函数式编程，能够简洁直观地表示一系列操作。其缺点是性能难以优化，而且会带来使用的时候本质上要自己维护DAG的困难。

DataFrame是数据的一个不可变分布式集合，其结构是列式存储，区别于RDD, 可以通过其列名直接访问数据列；相较RDD，DataFrame 是高级的 API，提供类似于SQL 的 query 接口。

 

 

Spark Steaming的出现早于Structured Streaming，处理的对象是DStream, 而Structured Streaming是Spark 2.0发布带来的特性,处理的对象是DataFrame。

两者都是以时间划分出微批处理，针对一定时间间隔的小批数据进行处理，以此模拟流式数据处理。

其中，Spark Steaming接近RDD对象数据结构，缺点是效率不高。而Structured Streaming同样是微批处理的形式，但其在DataFrame基础上的流式处理性能提升了。

简单来说，跟Hadoop相比，Spark具有如下的优点：

基于DAG的任务执行调度机制，算子的更强表现力，降低了开发的心智负担，更加贴近实际的开发；更加高效的计算执行模式，让更多的数据计算直接在内存中执行减少IO开销。

3. 设计模式、算子与流式计算

MapReduce设计模式

从MapReduce开始，其实就已经有了很多设计模式，可以参见《MapReduce设计模式》。

一些典型的设计模式如下：

数值概要设计模式 numerical summarization pattern，计算总数，最大值，最小值等都是概要模式

索引模式 indexing pattern 产生一个数据集的索引以达到快速检索的目的，例如文本的倒排索引

过滤模式 filtering pattern 过滤掉一些不需要的数据。

Spark的算子或多或少是这些map reduce设计模式的体现。

算子的分类

（1）Transformation变换/转换算子：这种变换不会执行真正的作业，因为一些变换不需要马上得到结果，而且可以在多个变换后计算复合操作，减少计算量。

（2）Action行动算子：这类算子会触发提交job作业，并将数据输出到Spark系统。

Transformation变换/转换算子

1. map算子

2. flatMap算子

3. mapPartitions算子

4. mapPartitionsWithIndex算子

5. cache算子、persist算子

6. union算子

7. cartesian算子

8. groupBy算子

9. filter算子

10. sample算子

11. combineByKey 算子 reduceByKey算子

12. join算子

Action类型的算子：

1.foreach

2.saveAsTextFile

3.collect

4.count

4. Hadoop生态的组件

Pig 和Hive

Pig和HiveQL是在HDFS上使用的数据查询语言。

HBase, Cassandra, HDFS

HBase是仿照谷歌BitTable的开源实现，是面向列的开源数据库；HDFS是GFS的开源实现，是一种文件系统；Cassandra是个分布式的key-value数据库。

Pregel，GraphX

图数据结构是分布式计算中一个重要的领域。图的数据可以分为网络、树、类RDBMS结构、稀疏矩阵以及其它一些结构（from Spark GraphX in Action）。为了处理图，在OLTP领域有Neo4j, NebulaGraph等组件；而在OLAP领域以Pregel，GraphX等为代表。

Pregel是一个迭代式的分布式图计算算法和系统，在此基础上有Spark的GraphX。到目前为止，GraphX还有一些尚未实现的特性和优化空间。

数据转换Sqoop

sqoop 是一个数据库转换的工具，提供了从hadoop文件格式到关系型数据库之间的数据互转。

Storm，Flink

前面讲到Spark可以进行流式数据的处理，然而Spark到目前为止的流式处理延迟只能达到秒级，而另外两种流式处理框架Storm、Flink可以达到μs到ms级。

这里只讲Flink。为什么Spark跟Flink会有如此大的差异，主要还是数据处理原理的差异。Spark的处理方式是将流式处理看作批处理的一种特殊形式，每收到一个间隔的数据才进行处理，在实时性上难以提升。

而Flink处理的模型是基于算子（operator）的连续数据流。Flink设计了一套高度灵活的窗口机制，从而对数据能够执行真正的流式计算，每有一条数据就能进行期望的算子操作。

 

 

 

上图中是一个Dataflow，数据src，数据sink，以及transformation算子均为节点，它们通过stream相连.数据从一个operator出发，经过stream被其他operator处理。同时，一个 stream 可以包含多个分区，一个算子可以被分成多个算子的子任务，每一个子任务是在不同的线程或者不同的机器节点中独立执行的。

Flink也提供了跟Spark一样的DataSet，DataStream API，下图是Flink的架构。

 

5. 计算样例

PageRank如何使用MapReduce计算

PageRank是搜索引擎中一个计算网页重要性的算法。可以使用Map Reduce实现简化的PageRank。在一个图中，网页之间通过超链接相连，因此可以用一个有向图/邻接矩阵表示。

 

PageRank的数据结构：

矩阵F(A,B)，项F(x,y)表示从A到B的出链关系，1为有出链

算法：

初始化的时候每个网页是一个相同的均值，每次的网页i的值为刚好其他网页权重按比例分配给它的权重之和。

而对网页i来说，它分配给其他网页的权重是其已有权重的平均值。即W(u) = Σ D(v属于Su)/Out(v)。

Map的时候，针对网页u，计算网页u到其他网页的权重，每条记录<u，W(u)>变成列表<vi,W(u)/count(vi∈Su)> (i = 1,2,...)

Reduce的时候，由vi为key，加和所有的权重，即得到网页v的权重。（v跟u不是同一个网页）

一次计算得到的权重不是最终结果，PageRank要经过多次迭代计算得到最终各个网页的权重[7]。

这是一个马尔科夫随机过程。为了避免该过程不收敛，可以加入虚拟的节点，以及一个概率点击系数，表示从任意节点可能跳转到该节点的概率。

 

References

[1] Dean J ,  Ghemawat S . MapReduce: Simplified Data Processing on Large Clusters[C]// Proceedings of the 6th conference on Symposium on Opearting Systems Design & Implementation - Volume 6. USENIX Association, 2004.

[2] MapReduce-MPI Library， https://mapreduce.sandia.gov/

[3] Hadoop Map/Reduce教程, http://hadoop.apache.org/docs/r1.0.4/cn/mapred_tutorial.html

[4] MapReduce Shuffle 和 Spark Shuffle, https://cloud.tencent.com/developer/article/1651735, 2020

[5] Carbone P , Katsifodimos A , † Kth, et al. Apache flink : Stream and batch processing in a single engine.  2015.

[6] Data Streaming Fault Tolerance, https://ci.apache.org/projects/flink/flink-docs-release-1.3/internals/stream_checkpointing.html#checkpointing

[7] PageRank in Map Reduce, https://medium.com/swlh/pagerank-on-mapreduce-55bcb76d1c99