为什么Spark将成为数据科学家的统一平台

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postgresqlquery-optimizationsubstringtext-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。