SparkR：数据科学家的新利器

　　摘要：R是数据科学家中最流行的编程语言和环境之一，在Spark中加入对R的支持是社区中较受关注的话题。作为增强Spark对数据科学家群体吸引力的最新举措，最近发布的Spark 1.4版本在现有的Scala/Java/Python API之外增加了R API（SparkR）。SparkR使得熟悉R的用户可以在Spark的分布式计算平台基础上结合R本身强大的统计分析功能和丰富的第三方扩展包，对大规模数据集进行分析和处理。本文将回顾SparkR项目的背景，对其当前的特性作总体的概览，阐述其架构和若干技术关键点，最后进行展望和总结。

　　项目背景R是非常流行的数据统计分析和制图的语言及环境，有一项调查显示，R语言在数据科学家中使用的程度仅次于SQL。但目前R语言的核心运行环境是单线程的，能处理的数据量受限于单机的内存容量，大数据时代的海量数据处理对R构成了挑战。

　　为了解决R的可伸缩性问题，R社区已经有一些方案，比如parallel和snow包，可以在计算机集群上并行运行R代码。但它们的缺陷在于没有解决数据分布式存储，数据仍然需要在主节点集中表示，分片后再传输给工作节点，不适用于大数据处理的场景。另外，数据处理模型过于简单，即数据分片在工作节点处理后，结果收集回主节点，缺少一个象MapReduce那样通用的分布式数据编程模型。

　　Hadoop是流行的大数据处理平台，它的HDFS分布式文件系统和之上的MapReduce编程模型比较好地解决了大数据分布式存储和处理的问题。RHadoop项目的出现使得用户具备了在R中使用Hadoop处理大数据的能力。

　　Apache顶级开源项目Spark是Hadoop之后备受关注的新一代分布式计算平台。和Hadoop相比，Spark提供了分布式数据集的抽象，编程模型更灵活和高效，能够充分利用内存来提升性能。为了方便数据科学家使用Spark进行数据挖掘，社区持续往Spark中加入吸引数据科学家的各种特性，例如0.7.0版本中加入的python API （PySpark）；1.3版本中加入的DataFrame等。

　　R和Spark的强强结合应运而生。2013年9月SparkR作为一个独立项目启动于加州大学伯克利分校的大名鼎鼎的AMPLAB实验室，与Spark源出同门。2014年1月，SparkR项目在github上开源（https://github.com/amplab-extras/SparkR-pkg）。随后，来自工业界的Alteryx、Databricks、Intel等公司和来自学术界的普渡大学，以及其它开发者积极参与到开发中来，最终在2015年4月成功地合并进Spark代码库的主干分支，并在Spark 1.4版本中作为重要的新特性之一正式宣布。

　　当前特性SparkR往Spark中增加了R语言API和运行时支持。Spark的 API由Spark Core的API以及各个内置的高层组件（Spark Streaming，Spark SQL，ML Pipelines和MLlib，Graphx）的API组成，目前SparkR只提供了Spark的两组API的R语言封装，即Spark Core的RDD API和Spark SQL的DataFrame API。

　　需要指出的是，在Spark 1.4版本中，SparkR的RDD API被隐藏起来没有开放，主要是出于两点考虑：

　　RDD API虽然灵活，但比较底层，R用户可能更习惯于使用更高层的API；

　　RDD API的实现上目前不够健壮，可能会影响用户体验，比如每个分区的数据必须能全部装入到内存中的限制，对包含复杂数据类型的RDD的处理可能会存在问题等。

　　目前社区正在讨论是否开放RDD API的部分子集，以及如何在RDD API的基础上构建一个更符合R用户习惯的高层API。

　　RDD API用户使用SparkR RDD API在R中创建RDD，并在RDD上执行各种操作。

　　目前SparkR RDD实现了Scala RDD API中的大部分方法，可以满足大多数情况下的使用需求：

　　SparkR支持的创建RDD的方式有：

　　从R list或vector创建RDD（parallelize()）

　　从文本文件创建RDD（textFile()）

　　从object文件载入RDD（objectFile()）

　　SparkR支持的RDD的操作有：

　　数据缓存，持久化控制：cache(),persist(),unpersist()

　　数据保存：saveAsTextFile()，saveAsObjectFile()

　　常用的数据转换操作，如map(),flatMap(),mapPartitions()等

　　数据分组、聚合操作，如partitionBy(),groupByKey(),reduceByKey()等

　　RDD间join操作，如join(), fullOuterJoin(), leftOuterJoin()等

　　排序操作,如sortBy(), sortByKey(), top()等

　　Zip操作，如zip(), zipWithIndex(), zipWithUniqueId()

　　重分区操作，如coalesce(), repartition()

　　其它杂项方法

　　和Scala RDD API相比，SparkR RDD API有一些适合R的特点：

　　SparkR RDD中存储的元素是R的数据类型。

　　SparkR RDD transformation操作应用的是R函数。

　　RDD是一组分布式存储的元素，而R是用list来表示一组元素的有序集合，因此SparkR将RDD整体上视为一个分布式的list。Scala API 中RDD的每个分区的数据由iterator来表示和访问，而在SparkR RDD中，每个分区的数据用一个list来表示，应用到分区的转换操作，如mapPartitions()，接收到的分区数据是一个list而不是iterator。

　　为了符合R用户经常使用lapply()对一个list中的每一个元素应用某个指定的函数的习惯，SparkR在RDD类上提供了SparkR专有的transformation方法：lapply()、lapplyPartition()、lapplyPartitionsWithIndex()，分别对应于Scala API的map()、mapPartitions()、mapPartitionsWithIndex()。

　　DataFrame APISpark 1.3版本引入了DataFrame API。相较于RDD API，DataFrame API更受社区的推崇，这是因为：

　　DataFrame的执行过程由Catalyst优化器在内部进行智能的优化，比如过滤器下推，表达式直接生成字节码。

　　基于Spark SQL的外部数据源（external data sources） API访问（装载，保存）广泛的第三方数据源。

　　使用R或Python的DataFrame API能获得和Scala近乎相同的性能。而使用R或Python的RDD API的性能比起Scala RDD API来有较大的性能差距。

　　Spark的DataFrame API是从R的 Data Frame数据类型和Python的pandas库借鉴而来，因而对于R用户而言，SparkR的DataFrame API是很自然的。更重要的是，SparkR DataFrame API性能和Scala DataFrame API几乎相同，所以推荐尽量用SparkR DataFrame来编程。

　　目前SparkR的DataFrame API已经比较完善，支持的创建DataFrame的方式有：

　　从R原生data.frame和list创建

　　从SparkR RDD创建

　　从特定的数据源(JSON和Parquet格式的文件)创建

　　从通用的数据源创建

　　将指定位置的数据源保存为外部SQL表，并返回相应的DataFrame

　　从Spark SQL表创建

　　从一个SQL查询的结果创建

　　支持的主要的DataFrame操作有：

　　·数据缓存，持久化控制：cache(),persist(),unpersist()

　　数据保存：saveAsParquetFile(), saveDF() （将DataFrame的内容保存到一个数据源），saveAsTable() （将DataFrame的内容保存存为数据源的一张表）

　　集合运算：unionAll()，intersect(), except()

　　Join操作：join()，支持inner、full outer、left/right outer和semi join。

　　数据过滤：filter(), where()

　　排序：sortDF(), orderBy()

　　列操作：增加列- withColumn()，列名更改- withColumnRenamed()，选择若干列 -select()、selectExpr()。为了更符合R用户的习惯，SparkR还支持用$、[]、[[]]操作符选择列，可以用$<列名> <- 的语法来增加、修改和删除列

　　RDD map类操作：lapply()/map()，flatMap()，lapplyPartition()/mapPartitions()，foreach()，foreachPartition()

　　数据聚合：groupBy()，agg()

　　转换为RDD：toRDD()，toJSON()

　　转换为表：registerTempTable(),insertInto()

　　取部分数据：limit()，take()，first()，head()

　　编程示例总体上看，SparkR程序和Spark程序结构很相似。

　　基于RDD API的示例

　　要基于RDD API编写SparkR程序，首先调用sparkR.init()函数来创建SparkContext。然后用SparkContext作为参数，调用parallelize()或者textFile()来创建RDD。有了RDD对象之后，就可以对它们进行各种transformation和action操作。下面的代码是用SparkR编写的Word Count示例：

　　library(SparkR) #初始化SparkContext sc <- sparkR.init("local", "RWordCount") #从HDFS上的一个文本文件创建RDD lines <- textFile(sc, "hdfs://localhost:9000/my_text_file") #调用RDD的transformation和action方法来计算word count #transformation用的函数是R代码 words <- flatMap(lines, function(line) { strsplit(line, " ")[[1]] }) wordCount <- lapply(words, function(word) { list(word, 1L) }) counts <- reduceByKey(wordCount, "+", 2L) output <- collect(counts)

　　基于DataFrame API的示例

　　基于DataFrame API的SparkR程序首先创建SparkContext，然后创建SQLContext，用SQLContext来创建DataFrame，再操作DataFrame里的数据。下面是用SparkR DataFrame API计算平均年龄的示例：library(SparkR) #初始化SparkContext和SQLContext sc <- sparkR.init("local", "AverageAge") sqlCtx <- sparkRSQL.init(sc) #从当前目录的一个JSON文件创建DataFrame df <- jsonFile(sqlCtx, "person.json") #调用DataFrame的操作来计算平均年龄 df2 <- agg(df, age="avg") averageAge <- collect(df2)[1, 1]

　　对于上面两个示例要注意的一点是SparkR RDD和DataFrame API的调用形式和Java/Scala API有些不同。假设rdd为一个RDD对象，在Java/Scala API中，调用rdd的map()方法的形式为：rdd.map(…)，而在SparkR中，调用的形式为：map(rdd, …)。这是因为SparkR使用了R的S4对象系统来实现RDD和DataFrame类。

　　架构SparkR主要由两部分组成：SparkR包和JVM后端。SparkR包是一个R扩展包，安装到R中之后，在R的运行时环境里提供了RDD和DataFrame API。

　　

　　图1 SparkR软件栈

　　SparkR的整体架构如图2所示。

　　

　　图2 SparkR架构

　　R JVM后端SparkR API运行在R解释器中，而Spark Core运行在JVM中，因此必须有一种机制能让SparkR API调用Spark Core的服务。R JVM后端是Spark Core中的一个组件，提供了R解释器和JVM虚拟机之间的桥接功能，能够让R代码创建Java类的实例、调用Java对象的实例方法或者Java类的静态方法。JVM后端基于Netty实现，和R解释器之间用TCP socket连接，用自定义的简单高效的二进制协议通信。

　　R Worker

　　SparkR RDD API和Scala RDD API相比有两大不同：SparkR RDD是R对象的分布式数据集，SparkR RDD transformation操作应用的是R函数。SparkR RDD API的执行依赖于Spark Core但运行在JVM上的Spark Core既无法识别R对象的类型和格式，又不能执行R的函数，因此如何在Spark的分布式计算核心的基础上实现SparkR RDD API是SparkR架构设计的关键。

　　SparkR设计了Scala RRDD类，除了从数据源创建的SparkR RDD外，每个SparkR RDD对象概念上在JVM端有一个对应的RRDD对象。RRDD派生自RDD类，改写了RDD的compute()方法，在执行时会启动一个R worker进程，通过socket连接将父RDD的分区数据、序列化后的R函数以及其它信息传给R worker进程。R worker进程反序列化接收到的分区数据和R函数，将R函数应到到分区数据上，再把结果数据序列化成字节数组传回JVM端。

　　从这里可以看出，与Scala RDD API相比，SparkR RDD API的实现多了几项开销：启动R worker进程，将分区数据传给R worker和R worker将结果返回，分区数据的序列化和反序列化。这也是SparkR RDD API相比Scala RDD API有较大性能差距的原因。

　　DataFrame API的实现

　　由于SparkR DataFrame API不需要传入R语言的函数（UDF()方法和RDD相关方法除外），而且DataFrame中的数据全部是以JVM的数据类型存储，所以和SparkR RDD API的实现相比，SparkR DataFrame API的实现简单很多。R端的DataFrame对象就是对应的JVM端DataFrame对象的wrapper，一个DataFrame方法的实现基本上就是简单地调用JVM端DataFrame的相应方法。这种情况下，R Worker就不需要了。这是使用SparkR DataFrame API能获得和ScalaAPI近乎相同的性能的原因。

　　当然，DataFrame API还包含了一些RDD API，这些RDD API方法的实现是先将DataFrame转换成RDD，然后调用RDD 的相关方法。

　　展望SparkR目前来说还不是非常成熟，一方面RDD API在对复杂的R数据类型的支持、稳定性和性能方面还有较大的提升空间，另一方面DataFrame API在功能完备性上还有一些缺失，比如对用R代码编写UDF的支持、序列化/反序列化对嵌套类型的支持，这些问题相信会在后续的开发中得到改善和解决。如何让DataFrame API对熟悉R原生Data Frame和流行的R package如dplyr的用户更友好是一个有意思的方向。此外，下一步的开发计划包含几个大的特性，比如普渡大学正在做的在SparkR中支持Spark Streaming，还有Databricks正在做的在SparkR中支持ML pipeline等。SparkR已经成为Spark的一部分，相信社区中会有越来越多的人关注并使用SparkR，也会有更多的开发者参与对SparkR的贡献，其功能和使用性将会越来越强。

　　总结Spark将正式支持R API对熟悉R语言的数据科学家是一个福音，他们可以在R中无缝地使用RDD和Data Frame API，借助Spark内存计算、统一软件栈上支持多种计算模型的优势，高效地进行分布式数据计算和分析，解决大规模数据集带来的挑战。工欲善其事，必先利其器，SparkR必将成为数据科学家在大数据时代的又一门新利器。