为什么Spark将成为数据科学家的统一平台

发表于 更新于 分类于 Disqus：

翻译自：Why Apache Spark is a Crossover Hit for Data Scientists，有删减。

Spark是一个超有潜力的通用数据计算平台，无论是对统计科学家还是数据工程师。

数据科学是一个广阔的领域。我自认是一个数据科学家，但和另外一批数据科学家又有很多的不同。数据科学家通常分为统计科学家和数据工程师两个阵营，而我正处于第二阵营。
统计科学家使用交互式的统计工具（比如R）来回答数据中的问题，获得全景的认识。与之相比，数据工程师则更像一名程序员，他们在服务器上编写代码，创建和应用机器学习模型，熟悉C++和Java等系统级语言，经常需要和企业级数据中心的某些组件打交道，比如Hadoop。
而有的数据科学家专注于更细的领域，就像精通R但从未听说过Python或者scikit-learn（反之亦然），即便两者都提供了丰富的统计库。

不完美的统计工具

如果可以提供一种统一的工具，运行在统一的架构，用统一的语言编程，并可以同时满足统计科学家和数据工程师的需求，那该多好啊。我一开始就精通Java，难道为了研究数据，我就必须去学一种像Python或R的语言？我一直使用传统的数据分析工具，难道为了应对大规模计算，就必须去懂MapReduce？正是统计工具的不完美造就了这种局面：

  • R提供了一个丰富的统计分析和机器学习的解释器。但R难以在分布式条件下执行数据的分析和清洗，以便开展其所擅长的数据分析，也不以一种主流的开发语言为人所知。
  • Python是一种通用的编程语言，也不乏出色的第三方数据分析库（像Pandas和scikit-learn），但Python也有和R一样的缺陷：只能局限在处理单机能负载的数据量。
  • 在经典的MapReduce计算框架上开发分布式的机器学习算法是可行的（参考Mahout），但程序员需要从零开始，更别说移植复杂计算的难度。
  • 为降低复杂计算移植到MapReduce的难度，Crunch提供一个简单的、傻瓜式的Java API，但MapReduce天生决定了它在迭代计算方面是低效的，尽管大多数机器学习算法都需要迭代计算。

其他的数据科学工具一样无法尽善尽美。基于Java和Hadoop的背景，我开始幻想一个理想的数据科学利器：一个像R和Python的能实现RPEL（读取-估值-打印-循环）的自带统计库函数的命令行解释器，又具备天然的分布式可扩展的属性；拥有像Crunch一样的分布式集合，而且能通过命令行解释器调用。

Spark的优势

这就是Spark让我兴奋的原因。大部分人讨论到Spark时，总是注意到将数据驻留内存以提高计算效率的方面（相对MapReduce），但对我来说这根本不是关键。Spark拥有许多的特征，使之真正成为一个融合统计科学和数据工程的交叉点：

  • Spark附带了一个机器学习库MLib，虽然只是在初始阶段。
  • Spark是用Scala语言编写的，运行在Java虚拟机上，同时也提供像R和Python的命令行解释器。
  • 对Java程序员，Scala的学习曲线是比较陡峭的，但所幸Scala可以兼容一切的Java库。
  • Spark的RDD（弹性分布式数据集），是Crunch开发者熟知的一种数据结构。
  • Spark模仿了Scala的集合计算API，对Java和Scala开发者来说耳熟能详，而Python开发者也不难上手，而Scala对统计计算的支持也不错。
  • Spark和其底层的Scala语言，并不只是为机器学习而诞生的，除此之外，像数据访问、日志ETL和整合都可以通过API轻松搞定。就像Python，你可以把整个数据计算流程搬到Spark平台上来，而不仅仅是模型拟合和分析。
  • 在命令行解释器中执行的代码，和编译后运行的效果相同。而且，命令行的输入可以得到实时反馈，你将看到数据透明地在集群间传递与计算。

Spark和MLib还有待完善：整个项目有不少bug，效率也还有提升的空间，和YARN的整合也存在问题。Spark还没办法提供像R那样丰富的数据分析函数。但Spark已然是世界上最好的数据平台，足以让来自任何背景的数据科学家侧目。

实战：Stack Overflow问题的自动标注

Stack Overflow是一个著名的软件技术问答平台，在上面提的每个问题有可能被打上若干个短文本的标签，比如java或者sql，我们的目标在于建立一套系统，使用ALS推荐算法，为新问题的标签提供预测和建议。从推荐系统的角度，你可以把问题想象成user，把标签想象成item。
首先，从Stack Overflow下载官方提供的截至20140120的问答数据stackoverflow.com-Posts.7z。
这是一个能够直接用于分布式计算的bzip格式文件，但在我们的场景下，必须先解压并拷贝到HDFS：

1
bzcat stackoverflow.com-Posts.7z | hdfs dfs -put - /user/srowen/Posts.xml

解压后的文件大约是24.4GB，包含210万个问题，1800万个回答，总共标注了930万个标签，这些标签排重之后大概是34000个。
确认机器安装了Spark之后，输入spark-shell即可打开Scala的REPL环境。首先，我们读取一个存储在HDFS的Posts.xml文件：

1
val postsXML = sc.textFile("hdfs:///user/srowen/Posts.xml")

这时命令行工具会返回：

1
postsXML: org.apache.spark.rdd.RDD[String] = MappedRDD[1] at textFile at :12

显示文本文件已转化为一个String型的RDD，你可以通过调用RDD的函数，实现任意的查询运算。比如统计文件的行数：

1
postsXML.count

这条指令生成大量的输出，显示Spark正在利用分布式的环境计数，最终打印出18066983。
下一步，将XML文件的每一行都存入形如（questionID, tag)的元组。得益于Scala的函数式编程的风格，RDD和Scala集合一样可以使用map等方法：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
val postIDTags = postsXML.flatMap { line =>
  // Matches Id="..." ... Tags="..." in  line
  val idTagRegex = "Id=\"(\\d+)\".+Tags=\"([^\"]+)\"".r
 
  // // Finds tags like <TAG> value from above
  val tagRegex = "&lt;([^&]+)&gt;".r
 
  // Yields 0 or 1 matches:
  idTagRegex.findFirstMatchIn(line) match {
    // No match -- not a  line
    case None => None
    // Match, and can extract ID and tags from m
    case Some(m) => {
      val postID = m.group(1).toInt
      val tagsString = m.group(2)
      // Pick out just TAG matching group
      val tags = tagRegex.findAllMatchIn(tagsString).map(_.group(1)).toList
      // Keep only question with at least 4 tags, and map to (post,tag) tuples
      if (tags.size >= 4) tags.map((postID,_)) else None
     }
  }
  // Because of flatMap, individual lists will concatenate
  // into one collection of tuples
}

你会发现这条指令的执行是立即返回的，而不像count一样需要等待，因为到目前为止，Spark并未启动任何主机间的数据变换。
ALS的MLib实现必须使用数值ID而非字符串作为惟一标识，而问题的标签数据是字符串格式的，所以需要把字符串哈希成一个非负整数，同时保留非负整数到字符串的映射。这里我们先定义一个哈希函数以便复用。

1
2
def nnHash(tag: String) = tag.hashCode & 0x7FFFFF
var tagHashes = postIDTags.map(_._2).distinct.map(tag =>(nnHash(tag),tag))

现在把元组转换为ALS计算所需的输入：

1
2
3
4
5
import org.apache.spark.mllib.recommendation._
// Convert to Rating(Int,Int,Double) objects
val alsInput = postIDTags.map(t => Rating(t._1, nnHash(t._2), 1.0))
// Train model with 40 features, 10 iterations of ALS
val model = ALS.trainImplicit(alsInput, 40, 10)

这一步生成特征矩阵，可以被用来预测问题与标签之间的关联。由于目前MLib还处于不完善的状态，没有提供一个recommend的接口来获取建议的标签，我们可以简单定义一个：

1
2
3
4
5
6
7
8
def recommend(questionID: Int, howMany: Int = 5): Array[(String, Double)] = {
  // Build list of one question and all items and predict value for all of them
  val predictions = model.predict(tagHashes.map(t => (questionID,t._1)))
  // Get top howMany recommendations ordered by prediction value
  val topN = predictions.top(howMany)(Ordering.by[Rating,Double](_.rating))
  // Translate back to tags from IDs
  topN.map(r => (tagHashes.lookup(r.product)(0), r.rating))
}

通过上述函数，我们可以获得任意一个问题比如ID为7122697的How to make substring-matching query work fast on a large table?的至少4个标签：

1
recommend(7122697).foreach(println)

推荐结果如下所示：

1
2
3
4
5
(sql,0.17745152481166354)
(database,0.13526622226672633)
(oracle,0.1079428707621154)
(ruby-on-rails,0.06067207312463499)
(postgresql,0.050933613169706474)

注意：

  • 每次运行得到的结果不尽相同，是因为ALS是从随机解开始迭代的
  • 如果你希望获得实时性更高的结果，可以在recommend前输入tagHashes = tagHashes.cache

真实的问题标签是postgresql、query-optimization、substring和text-search。不过，预测结果也有一定的合理性（postgresql经常和ruby-on-rails一起出现）。
当然，以上的示例还不够优雅和高效，但是，我希望所有来自R的分析师、鼓捣Python的黑客和熟悉Hadoop的开发者，都能从中找到你们熟悉的部分，从而找到一条适合你们的路径去探索Spark，并从中获益。