云栖大会 | Apache Spark 3.0 和 Koalas 最新进展

过往记忆大数据 过往记忆大数据
本资料来自2019-09-26在杭州举办的云栖大会的大数据 & AI 峰会分会。议题名称《New Developments in the Open Source Ecosystem: Apache Spark 3.0 and Koalas》，分享嘉宾李潇，Databricks Spark 研发总监。
下面是本次会议的视频（由于微信公众号的限制，只能发布小于30分钟的视频，完整视频和 PPT 请关注 过往记忆大数据 公众号并回复 spark_yq 获取。）

2019年对 Spark 社区来说是一个比较特殊的年份。10年前，马铁为了帮助自己的同学得到 Netflix 发起的 Netflix Prize 竞赛百万美金，诞生了一个伟大的项目，这就是现在的 Apache Spark。

上面就是 Apache Spark 的发展历史。2019年09月将会发布 Apache Spark 3.0 预览版，明年年初将会发布 Apache Spark 3.0 正式版。

世界级的知乎 * 中当年 Spark 和 PySpark 排名都很靠前，10年累计排名 Apache Spark 第一，Apache Hadoop 第二；未来 Apache Spark 和 PySpark 将会垄断世界。

Apache Spark 3.0 是社区共同努力的结果，大概开发了一年多。下面是 Apache Spark 3.0 的主要特性：

• 动态分区裁减
• 自适应
• Spark Graph
• 加速感应调度（GPU，具体参见 Apache Spark 3.0 将内置支持 GPU 调度，文末有福利）
• Spark on k8s
• DataSource API V2
• ANSI SQL 兼容
• SQL Hints
• Vectorization in SparkR
• JDK 11
• Hadoop 3
• Scala 2.12
  下面主要介绍 Apache Spark 3.0 在查询方面的优化
  
  在 Spark 2.x 里面加了基于代价的优化，但是这个并不表现的很好。主要有以下几个原因：
• 统计信息的缺失；
• 统计信息过期；
• 很难抽象出一个通用的 cost model。
  为了解决这些问题，Apache Spark 3.0 引入了基于 Runtime 的查询优化。
  
  第一个就是动态分区裁减
  
  比如上面的 SQL 查询，假设 t2 表 t2.id < 2 过滤出来的数据比较少，但是由于之前版本的 Spark 无法进行动态计算代价，所以可能会导致 t1 表扫描出大量无效的数据。有了动态分区裁减，可以在运行的时候过滤掉 t1 表无用的数据
  
  经过这个优化，查询扫描的数据大大减少，性能提升了 33 倍
  
  第二个优化就是 AE（详情可以参见 Adaptive Execution如何让Spark SQL更高效更好用？）。
  
  比如下面的查询，基于代价的模型优化不可能准确的评估，
  
  而有了 AE 之后，Spark 就可以动态统计相关信息，并动态调整执行计划，比如把 SortMergeJoin 变成 BroadcastHashJoin：
  
  Spark 在诞生之初就定位于统一的大数据处理引擎。
  
  数据处理主要经过以下三个阶段
  
• 商业智能
• 大数据分析
• 数据统一 + AI
  
  Spark 主要面对的是两个群体：数据工程师和数据科学家。
  
  近几年 Python 的使用者越来越多了，也导致越来越多的用户使用 pandas 来进行数据分析。但是 pandas 主要是解决小数据量的分析，当数据量大的时候，分析性能急剧下降。而为了进行大数据量的分析时，不得不学习新的计算引擎。
  为了解决这个问题，Spark 开源了 koalas，其和 pandas 无缝兼容（koalas 的详细信息可以参见 Koalas: 让 pandas 开发者轻松过渡到 Apache Spark）。下面就是自 koalas 开源以来的单日下载量：

PySpark 作为数据分析的工具，单日下载量也在逐渐增加。
下面是 PySpark DataFrame 和 pandas DataFrame 的区别：

下面是一个使用例子对比，主要是读取一个 csv 文件，并重命名列的名字，最后再添加一个新的列：

可以看出，PySpark 相比 pandas 来说使用起来还是很麻烦，使用 pandas 的用户不得不学习新的 API，但是有了 koalas ，这个问题不存在了：

下面我们来介绍数据工程

在数据工程方面，数砖开源了 Delta Lake（具体参见 重磅 | Apache Spark 社区期待的 Delta Lake 开源了）：

Delta Lake 并不是凭空产生的，而是基于成千上万的用户痛点总结出来的。Delta Lake 的使用也很方面，直接把 parquet 替换成 delta：

下面主要介绍 Delta Lake 的特性

下面是 Delta Lake 的三个用户使用场景：



下面是数砖 Delta 的使用情况：