Spark1.0.0新特性


        Spark1.0.0 release于2014-05-30日正式发布，标志Spark正式进入1.X的时代。Spark1.0.0带来了各种新的特性，并提供了更好的API支持；Spark1.0.0增加了Spark SQL这一个新的重要组件，用于加载和操作Spark的结构化数据；Spark1.0.0增强了现有的标准库（ML，streaming，GraphX），同时还增强了Java和Python语言的支持；最后，Spark1.0.0在运维上做了很大的改进，包括支持Hadoop/YARN安全机制、使用统一应用提交工具spark-submit、UI监控的增强等等。下面让我们看看Spark1.0.0的一些新特性：
1：内核方面
A：新增的组件Spark SQL
  • Spark1.0.0引入了Spark SQL作为一个新的alpha项目。Spark SQL提供了装载和操作结构化数据，这些结构化数据可以来自外部结构化数据源，如hive、Parquet File，也可以来自通过架构化的RDD。
  • Spark SQL的API可以和RDD数据模型进行互操作，使用户可以交错使用Spark代码与SQL语句。
  • Spark SQL使用Catalyst优化器来选择一个高效的执行计划，并能自动将断言保存到类似Parquet之类的存储格式中。在未来的版本中，Spark SQL也将提供一个通用的API，以支持其他存储系统。
B：Spark Steaming
  • Spark1.0.0 Streaming针对状态流转换方面进行了性能优化，改进了对Flume支持，以及增加了长时间运行任务的状态进行自动清理。
C：MLlib
  • Spark1.0.0 MLlib增加了Scala，Java和Python的稀疏特征向量支持，其利用了线性方法，K-means和朴素贝叶斯在存储和计算上稀疏性优势。
  • 此外，增加了一些新的算法，如可扩展的决策树进行分类和回归，矩阵算法的分布式实现（包括SVD和PCA），模型评估函数以及和L-BFGS算法。
D：GraphX
  • Spark1.0.0 GraphX??带来了图形负载，边缘逆转，和邻里计算方面性能的显著提升，因为这些操作现在需要更少的通信要求，产生RDD图更简单。

2：编程方面
A：更加稳定的API
  • 对于非alpha版本的项目API会更稳定，而且会在1.X产品线上兼容下去。
  • 在源代码上加以@DeveloperApi标注的API是指不稳定的内部API；以@Experimental标注的API是指面向用户的API，它以后可能稳定。
B：JAVA8的支持
  • Spark1.0.0增加了对Java8 lambda语法的支持， Java 8支持使用简洁的语法编写匿名函数，类似于在Scala和Python的闭包语法。这些变化在使用现有Java API时作一些微小的改变，具体可以参考文档。如：
class Split extends FlatMapFunction<String, String> {  public Iterable<String> call(String s) {    return Arrays.asList(s.split(" "));  });JavaRDD<String> words = lines.flatMap(new Split());
使用Java 8的话：
JavaRDD<String> words = lines.flatMap(s -> Arrays.asList(s.split(" ")));
C：增强的Python
  • Spark1.0.0对Python API进行了扩展，以支持一些新的功能，也对Python API稳定性方面作了一些改进，特别是对于大型数据集。 
D：使用spark-submit之后不再需要在代码中指定master 
conf = new SparkConf().setAppName(“My App”)sc = new SparkContext(conf)

3：运维方面
A：应用提交工具spark-submit
  • Spark1.0.0简化了应用程序的提交方式，通过一个统一的提交工具spark-submit，用户可以将应用程序提交给Spark集群，如Standalone、YARN、Mesos，也可以指定是以client方式运行还是cluster方式运行。具体使用参见Spark1.0.0 应用程序部署工具spark-submit
/bin/spark-submit \  --class <main-class>  --master <master-url> \  --deploy-mode <deploy-mode> \  ... # other options  <application-jar> \  [application-arguments]
B：JobServer Spark1.0.0提供了JobServer对任务进行调度。以后写专题博客进行讨论。

C：支持YARN安全机制
  • 现有的Hadoop版本已经有了自己的安全机制，在YARN中运行应用的时候，Spark1.0.0支持YARN的安全机制。
  • 在YARN环境中支持Kerberos authentication：
spark.authenticate = true
  • 在UI上支持ACL：
spark.ui.acls.enable = truespark.ui.view.acls = user1, user2
D：UI监控的增强
  • 可以在UI监控中取消job
  • 显示shuffle时的GC信息
E：History Server
  • 通过配置可以查看已完成job的历史记录
spark.eventLog.enabled=truespark.eventLog.dir=hdfs://XX
  • 在Standalone模式下，History Server内嵌在master上；在YARN/Mesos模式下，可以守护模式运行History Server。
F：PySpark现在支持在YARN上运行。

4：文档方面
A：编程指南描叙的更详细，涵盖所有支持的语言，更多地讨论开发生命周期的各种操作。 B：MLlib指南中每种算法增加了更多细节和例子。 C：配置指南中对YARN和Mesos的配置说明进行了改进。

5：杂项
A：使用DISK_ONLY进行数据集持久化时直接写入磁盘, 对于大数据集会显著提高内存的利用率。 B：新SparkContext.wholeTextFiles方法可以让小文本文件作为单个记录进行操作。 。。。



相关内容