企业版Spark Databricks + 企业版Kafka Confluent 联合高效挖掘数据价值
前提条件
- 已注册阿里云账号，详情请参见
- 已开通 Databricks 数据洞察服务
- 已开通 OSS 对象存储服务
- 已开通 Confluent 流数据服务
创建Databricks集群 & Confluent集群
- 登录
- 登录
Databricks Worker节点公网访问
Databricks的worker节点暂时不支持公网访问，为了能访问Confluent的公网地址，请联系Databricks的开发人员添加NAT网关。
案例：出租车数据入湖及分析
出租车和网约车在每天的运行中持续产生行驶轨迹和交易数据，这些数据对于车辆调度，流量预测，安全监控等场景有着极大的价值。
本案例中我们使用
前置准备：
- 创建topic：
登录Confluent的control center，在左侧选中Topics，点击Add a topic按钮，创建一个名为nyc_taxi_data的topic，将partition设置为3，其他配置保持默认。
- 创建OSS bucket：
在和Databricks同一Region的OSS中，创建bucket，bucket命名为：databricks-confluent-integration
进入到
- 收集url，用户名，密码，路径等以便后续使用a。
- confluent集群ID：在csp的管控界面，集群详情页获取
- Confluent Control Center的用户名和密码
- 路径：
- Databricks Structured Streaming的checkpoint存储目录
- 采集的数据的存储目录
下面是我们后续会使用到的一些变量：
# 集群管控界面获取
confluent_cluster_id = "your_confluent_cluster_id"
# 使用confluent集群ID拼接得到
confluent_server = "rb-{confluent_cluster_id}.csp.aliyuncs.com:9092"
control_center_username = "your_confluent_control_center_username"
control_center_password = "your_confluent_control_center_password"
topic = "nyc_taxi_data"
checkpoint_location = "oss://databricks-confluent-integration/checkpoint_dir"
taxi_data_delta_lake = "oss://databricks-confluent-integration/data/nyc_taxi_data"
数据的产生
在本案例中，我们使用
- 我们先安装confluent的python客户端，其他语言的客户端参考
pip install confluent_kafka
- 构造用于创建Kafka Producer的基础信息，如：bootstrap-server，control center的username，password等
conf = {
'bootstrap.servers': confluent_server,
'key.serializer': StringSerializer('utf_8'),
'value.serializer': StringSerializer('utf_8'),
'client.id': socket.gethostname(),
'security.protocol': 'SASL_SSL',
'sasl.mechanism': 'PLAIN',
'sasl.username': control_center_username,
'sasl.password': control_center_password
}
- 创建Producer：
producer = Producer(conf)
- 向Kafka中发送消息（模拟数据的产生）：
with open("/Path/To/train.csv", "rt") as f:
float_field = ['fare_amount', 'pickup_longitude', 'pickup_latitude',
'dropoff_longitude', 'dropoff_latitude']
for row in reader:
i += 1
try:
for field in float_field:
row[field] = float(row[field])
row['passenger_count'] = int(row['passenger_count'])
producer.produce(topic=topic, value=json.dumps(row))
if i % 1000 == 0:
producer.flush()
if i == 200000:
break
except ValueError: # discard null/NAN data
continue
Kafka中的partition和offset
在使用spark读取Kafka中的数据之前，我们回顾一下Kafka中的概念：partition和offset
- partition：kafka为了能并行进行数据的写入，将每个topic的数据分为多个partition，每个partition由一个Broker负责，向partition写入数据时，负责该partition的Broker将消息复制给它的follower
- offset：Kafka会为每条写入partition里的消息进行编号，消息的编号即为offset
我们在读取Kafka中的数据时，需要指定我们想要读取的数据，该指定需要从两个维度：partition的维度 + offset的维度。
- Earliest：从每个partition的offset 0开始读取和加载
- Latest：从每个partition最新的数据开始读取
- 自定义：指定每个partition的开始offset和结束offset
- 读取topic1 partition 0 offset 23和partition 0 offset -2之后的数据：
"""{"topic1":{"0":23,"1":-2}}"""
除了指定start offset，我们还可以通过endingOffsets参数指定读取到什么位置为止。
将数据存储到LakeHouse：Spark集成Confluent
理解上述概念后，Databricks和Confluent的集成非常简单，只需要对spark session的readStream参数进行简单的设置就可以将Kafka中的实时流数据转换为Spark中的Dataframe：
lines = (spark.readStream
# 指定数据源: kafka
.format("kafka")
# 指定kafka bootstrap server的URL
.option("kafka.bootstrap.servers", confluent_server)
# 指定订阅的topic
.option("subscribe", topic)
# 指定想要读取的数据的offset，earliest表示从每个partition的起始点开始读取
.option("startingOffsets", "earliest")
# 指定认证协议
.option("kafka.security.protocol", "SASL_SSL")
.option("kafka.sasl.mechanism", "PLAIN")
# 指定confluent的用户名和密码
.option("kafka.sasl.jaas.config",
f"""org.apache.kafka.common.security.plain.PlainLoginModule
required username="{control_center_username}" password="{control_center_password}";""")
.load())
从kafka中读取的数据格式如下：
root |-- key: binary (nullable = true) |-- value: binary (nullable = true) |-- topic: string (nullable = true) |-- partition: integer (nullable = true) |-- offset: long (nullable = true) |-- timestamp: timestamp (nullable = true) |-- timestampType: integer (nullable = true)
由于key和value都是binary格式的，我们需要将value（json）由binary转换为string格式，并定义schema，提取出Json中的数据，并转换为对应的格式：
schema = (StructType().add('key', TimestampType())
.add('fare_amount', FloatType())
.add('pickup_datetime', TimestampType())
.add('pickup_longitude', FloatType())
.add('pickup_latitude', FloatType())
.add('dropoff_longitude', FloatType())
.add('dropoff_latitude', FloatType())
.add('passenger_count', IntegerType())
)
# 将json中的列提取出来
lines = (lines.withColumn('data',
from_json(
col('value').cast('string'), # binary 转 string
schema)) # 解析为schema
.select(col('data.*'))) # select value中的所有列
过滤掉错误，为空，NaN的数据：
lines = (lines.filter(col('pickup_longitude') != 0)
.filter(col('pickup_latitude') != 0)
.filter(col('dropoff_longitude') != 0)
.filter(col('dropoff_latitude') != 0)
.filter(col('fare_amount') != 0)
.filter(col('passenger_count') != 0))
最后，我们将解析出来的数据输出到LakeHouse中，以进行后续的分析和机器学习模型训练：
# lakehouse 的存储格式为 delta
query = (lines.writeStream.format('delta')
.option('checkpointLocation', checkpoint_location)
.option('path', taxi_data_delta_lake).start())
# 执行job，直到出现异常（如果只想执行该Job一段时间，可以指定timeout参数）
query.awaitTermination()
数据分析
我们先将LakeHouse中的数据使用Spark加载进来：
然后，我们对该Dataframe创建一个Table View，并探索fare_amount的分布：
可以看到fare_amount的最小值是负数，这显然是一条错误的数据，我们将这些错误的数据过滤，并探索fare_amount的分布：
然后我们探索价格和年份，月份，星期，打车时间的关系：
从上面可以看出两点：
- 出租车的价格和年份有很大关系，从09年到15年呈不断增长的态势
- 在中午和凌晨打车比上午和下午打车更贵一些。
我们再进一步探索价格和乘客数量的关系：
此外，出租车价格的另一个影响因素就是距离，这里我们借助python的geopy包和Spark的UDF来计算给定两个位置的距离，然后再分析费用和距离的关系。
经纬度的范围为[-90, 90]，因此，我们第一步是清除错误的数据：
然后，我们增加一列数据：出租车行驶的距离，并将距离离散化，进行后续的分析：
统计打车距离的分布：
从上图可以看出：打车距离分布在区间[0, 15]miles内，我们继续统计在该区间内，打车价格和打车距离的关系：
如上图所示：打车价格和打车距离呈现出线性增长的趋势。
机器学习建模
在上一小节的数据分析中，我们已经提取了和出租车相关联的一些特征，根据这些特征，我们建立一个简单的线性回归模型：
打车费用 ~ (年份，打车时间，乘客数，距离)
先将特征和目标值提取出来：
对特征做归一化：
分割训练集和测试集：
建立线性回归模型进行训练：
使用Evaluator对模型进行评价：
总结
我们在本文中介绍了如何使用阿里云的Confluent Cloud和Databricks来构建您的数据流和LakeHouse，并介绍了如何使用Databricks提供的能力来挖掘数据价值，使用Spark MLlib构建您的机器学习模型。有了Confluent Cloud和Databricks，您可以轻松实现数据入湖，及时在最新的数据上进行探索，挖掘您的数据价值。欢迎您试用阿里云
本文为阿里云原创内容，未经允许不得转载。
