Sputnik：Airbnb基于Spark构建的数据开发框架
过往记忆大数据 过往记忆大数据
本文来自 Airbnb 的工程师 Egor Pakhomov 在 Spark Summit North America 2020 的 《Sputnik: Airbnb’s Apache Spark Framework for Data Engineering》议题的分享。相关 PPT 可以到 你要的 Spark AI Summit 2020 PPT 我已经给你整理好了 里面获取。
一个典型的 Spark 作业包括读取外部的数据然后使用 Spark 去处理相关逻辑，处理完之后再写到外部存储中去，比如 Hive 表、对象存储中。
如果使用代表表示的话，主要框架如上面所示。可以看到，这个程序里面有大部分的逻辑在处理参数的解析、SparkSession 的创建、表的输入数据处理以及结果的保存；只有红色的部分才是真正的业务部分。
另一方面，Spark 是一个很不错的通用计算逻辑，使用 DataSource API 可以读取多种数据源里面的数据，然后 Spark 给我们提供了多种编程模式，比如 Spark Core、DataFrame API、Spark SQL、Spark Streamig等，同时提供了 Scala、R、Python 以及 Java 来实现各种业务逻辑。
但是在 Airbnb，99%的作业是使用 Scala 编写的，主要使用 Spark SQL 和 DataFrame API 进行，而且只读写 Hive 里面的数据。所以在 Airbnb，Spark 提供如此多的功能，反而给工程师带来了麻烦。
对于 Airbnb 的数据开发工程来说，其实他们的焦点应该是编写一个类似于 transform 的函数，在里面处理各种业务逻辑。这就是我们称为的 Job Logic。
Job Logic 和 Run Logic 的区别如下：
Job Logic 只需要关注业务逻辑，比如如何计算每个 url 的访问量；作业的输入和输出的表；分区的处理以及结果的校验。
Run Logic 需要处理输入的数据范围；将结果保存到表时需要处理表不存在的情况；在测试模式下运行时需要将表以 “_testing” 结尾，这样可以区分线上表和测试表。
为了帮助数据开发工程师，Airbnb 基于 Apache Spark 开发了名为 Sputnik 的数据工作框架。使用这个框架，所有的 Run Logic 都是 Sputnik 来处理，业务人员只需要关注 Job Logic 的实现。
使用 Sputnik 平台时，用户只需要扩展 SputnikJob 类来实现自己的业务逻辑，使用 HiveTableReader 来读取表的数据：
使用 hiveTableWriter 来将结果保存到 Hive 的相关表中
最后使用 SputnikJobRunner 来运行作业。
用户全程不需要处理前面说的各种参数解析，然后处理数据的读取；在将结果写到 Hive 表是也不需要关心表是不是不存在等需求。
Sputnik HiveTableWriter 主要做了以下的事情：
- 在写出的表不存在时，使用 Hive 的CREATE TABLE 来创建表；
- 更新表的元数据；
- 根据输出表来规范化 DataFrame Schema；
- 读输出的表进行 repartition，以便减少写到磁盘的文件个数；
- 在写数据之前进行一些校验；
- 根据不同的运行模式来修改输出表的表名。
Sputnik 提供了将数据转换成 DataFrame 和 DataSet 的接口，用户只需要输出表名以及表的处理时间范围，就可以得到表的 DataFrame 或 DataSet，而不需要处理前面说的各种参数解析等问题。
Sputnik 也支持配置文件，以便用户给作业进行一些配置。业务人员只需要给出相关配置文件，然后使用 Sputnik 获取相关参数的值。
对于输出结果，我们一般需要做一些 Null 值校验或者空的输出校验等，Sputnik 内置提供了一些比较常见的校验类，比如 NullCheck、NotEmptyCheck 等。业务人员只需要在输出表的时候直接配置相关校验类即可。
图片对于日常的作业只需要配置 --ds 2020-01-07 来处理某一天的数据。比如我们通过这个很容易进行 T+1 的数据处理。
如果由于某种原因需要处理某一个时间范围的数据，可以使用 --startDate 2020-01-01 --endDate 2020-01-06 来实现。
如果需要隔一段时间处理数据，可以使用 --startDate 2020-01-01 --endDate 2020-01-06 --stepSize 3 类实现。
在业务实现之前，我们一般需要在开发环境进行一些测试，
我们只需要使用 --writeEnv 参数来设置运行环境。比如 --writeEnv PROD 代表线上环境；--writeEnv DEV 代表开发环境，输入输出的表结尾自动加上 dev。
其他一些参数包括 dropResultTables、sample、repartition、jobArgument 等。