无论怎样大肆宣传NoSQL数据库的出现，关系数据库都还将继续存在。原因很简单，关系数据库强制执行基本的结构和约束，并提供了很好的声明式语言来查询数据（我们都喜欢它）：SQL！

但是，规模一直是关系数据库的问题。21世纪的大多数企业都拥有丰富的数据存储和仓库，并希望最大限度地利用大数据来获得可操作的洞见。关系数据库可能很受欢迎，但除非我们投资了适当的大数据管理策略，否则不能很好地对它们进行扩展。这包括考虑潜在的数据源，数据量，约束，模式，ETL（提取 - 转换 - 加载），访问和查询模式等等！

Apache Spark中的大规模数据科学

本文将介绍在关系数据库的强大功能方面取得的一些优秀进展，而对于“大规模”，会介绍Apache Spark – Spark SQL和DataFrames 中的一些新组件。最值得注意的是，将涵盖以下主题：

关系数据库扩展的动机和挑战
了解Spark SQL和DataFrames
目标
架构和功能
性能

人们努力地工作并投入时间在ApacheShark中构建新组件，我们关注他们的主要挑战和动机，以便能够大规模执行SQL。我们还将研究Spark SQL和DataFrames的主要体系结构、接口、功能和性能基准。在本文最后，最重要的一点，我们将介绍一个分析入侵攻击的真实案例研究，基于KDD 99 CUP数据，利用Spark SQL和DataFrames，通过Databricks云平台来平衡从而实现Spark。

为大数据而扩展关系数据库的动机和挑战

关系数据存储易于构建和查询。此外，用户和开发人员通常更喜欢用类似人类的可读语言（如SQL）编写易于解释的声明式查询。然而，随着数据的数量和多样性的增加，关系方法的伸缩性不足以构建大数据应用程序和分析系统。以下是一些主要挑战：

处理不同类型数据源，可以是结构化、半结构化和非结构化的；
建立各种数据源之间的ETL管道，这可能导致要开发大量特定的自定义代码，随着时间的推移会增加技术债务
能够执行基于传统商业智能（BI）的分析和高级分析（机器学习、统计建模等），后者在关系系统中执行肯定具有挑战性

大数据分析并不是昨天才发明的！我们在Hadoop和MapReduce范式方面取得了成功，这很厉害但进展太慢，它为用户提供了一个低级的、程序化的编程接口，需要人们编写大量代码来进行非常简单的数据转换。然而，自从Spark的发布，它真正改变了大数据分析的方式，不需要再把重点放在内存计算、容错、高级抽象和易用性上。

从那时起，一些框架和系统，如Hive、Pig和Shark（演变成Spark SQL），为大数据存储提供了丰富的关系接口和声明式查询机制。挑战在于，这些工具要么是基于关系的，要么是基于过程的，但是鱼和熊掌无法两者兼得。

然而，在现实世界中，大多数数据分析管道可能涉及到关系代码和过程代码的组合。如果强迫用户选择其中一个会最终让事情变得复杂，并增加用户在开发、构建和维护不同应用程序和系统方面的工作量。Apache Spark SQL建立在前面提到的SQL on Spark（称为Shark）的基础上，它不强制要求用户在关系API或过程API之间进行选择，而是试图让用户无缝地混合使用它们，来对大数据进行大规模的数据查询、检索和分析。

了解Spark SQL和DataFrame

Spark SQL本质上试图用两个主要组件弥合我们之前提到的两个模型（关系模型和过程模型）之间的差距。

Spark SQL提供了一个DataFrame API，可以对外部数据源和Spark的内置分布式集合进行大规模的关系操作！
为了支持大数据中各种各样的数据源和算法，Spark SQL引入了一种名为Catalyst的新型可扩展优化器，可以轻松地为机器学习等高级分析添加数据源、优化规则和数据类型。

从本质上讲，Spark SQL利用Spark的强大功能在大数据上大规模地执行分布式的、健壮的内存计算。Spark SQL提供了最先进的SQL性能，并且兼容Apache Hive（一种流行的大数据仓库框架）支持的所有现有结构和组件，包括数据格式、用户定义函数（UDF）和Metastore。除此之外，它还有助于从大数据源和企业数据仓库（如JSON，Hive，Parquet等）中提取各种数据格式，并执行关系和过程操作的组合，以实现更复杂的高级分析。

目标

让我们看一下有关Spark SQL的一些有趣的事实，包括它的使用、采用和目标，其中一些我将再次从“ Spark中的关系数据处理 ”的优秀原始论文中复制过来。Spark SQL于2014年5月首次发布，现在可能是Spark中最活跃的组件之一。Apache Spark绝对是大数据处理最活跃的开源项目，有数百个贡献者。

除了作为一个开源项目，Spark SQL已经开始得到主流行业的采用，并部署在了非常大规模的环境中。Facebook有一个关于“ Apache Spark @Scale：一个 60TB+ 的生产用例 ” 的优秀案例研究，他们正在为实体排名做数据准备，其Hive的工作过去需要几天时间并面临许多挑战，但Facebook成功地使用Spark进行扩展并提高了性能。接下来让我们看看他们在这次旅程中遇到的有趣挑战！

另一个有趣的事实是，三分之二的Databricks云（运行Spark的托管服务）客户在其他编程语言中使用了Spark SQL。在本系列的第二部分中，我们还将展示使用Spark SQL on Databricks的实际案例研究。

Spark SQL的主要目标是由它的创建者所定义的：

无论是在Spark程序（在本机RDD上）还是在外部数据源上，都使用对程序员友好的API来支持关系处理
使用已建立的DBMS技术提供高性能
轻松支持新的数据源，包括半结构化数据和易于查询联合的外部数据库
使用高级分析算法（如图形处理和机器学习）进行扩展

架构和功能

现在我们来看看Spark SQL和DataFrames的主要功能和架构。这里需要牢记围绕着Spark生态系统的一些关键概念，随着时间的推移这个生态一直在不断发展。

RDD（弹性分布式数据集）可能是Spark所有成功案例背后的最大贡献者。它基本上是一种数据结构，或者更确切地说是分布式存储器的抽象，它允许程序员在大型分布式集群上执行内存计算，同时保留容错等方面的特性。还可以并行化大量计算和转换，并跟踪转换的整个过程，这有助于有效地重新计算丢失的数据。此外，Spark使用驱动程序和执行程序的概念，如下图所示。

通常可以从文件、数据库读取数据，并行化现有集合甚至转换来创建RDD。通常，转换是将数据转换为不同方面和维度的操作，具体取决于我们想要整理和处理数据的方式。它们也会被延迟地评估，这意味着即使定义了转换，在执行动作之前也不会计算结果，通常需要将结果返回到驱动程序（然后它会计算所有应用的转换！）。

既然已经了解了Spark工作原理的架构，那么让我们更深入地了解Spark SQL。通常，Spark SQL在Spark之上作为库运行，正如我们在图中看到的那样，它覆盖了Spark生态系统。下图详细介绍了Spark SQL的典型体系结构和接口。

该图清楚地显示了各种SQL接口，通过JDBC/ODBC或命令行控制台来访问，集成到Spark支持的编程语言中的DataFrame API（我们将使用Python）。DataFrame API非常强大，允许用户最终混合程序代码和关系代码！诸如UDF（用户定义函数）之类的高级函数可以在SQL中使用，BI工具也可以使用它。

Spark DataFrames非常有趣，可以帮助我们利用Spark SQL的强大功能，并根据需要结合其过程式范例。Spark DataFrame基本上是具有相同模式的行（行类型）的分布式集合，它基本上是被组织成一些命名列的Spark数据集。这里需要注意的是，数据集是DataFrame API的扩展，它提供了一种*类型安全的、面向对象的编程接口。*它们仅在Java和Scala中可用，因此我们将专注于DataFrame。

DataFrame等同于关系数据库中的表（但在引擎盖下具有更多优化），并且还可以以类似于Spark（RDD）中的“本机”分布式集合的方式进行操作。Spark DataFrames有一些有趣的属性，例如：

与RDD不同，DataFrame通常会跟踪schema并支持各种关系操作，从而实现更优化的执行。
DataFrame可以通过表来构建，就像大数据基础结构中现有的Hive表一样，甚至可以从现有的RDD来构建。
DataFrames可以使用直接SQL查询操作，也可以使用DataFrame DSL（特定领域语言），以及使用各种关系运算符和变换器，例如where和groupBy。
此外，每个DataFrame也可以被视为行对象的RDD，允许用户调用过程化的Spark API，例如map。
最后，与传统的Dataframe API（Pandas）不同，Spark DataFrames具有延迟性，因为每个DataFrame对象都代表一个逻辑计划来计算数据集，但在用户调用特殊的“输出操作”（如save）之前，不会执行任何操作。

这应该让您对Spark SQL、数据框架、基本特性、概念、体系结构和接口有了足够的了解。下面让我们看一下性能基准来完成这一部分。

性能

在没有正确优化的情况下发布一个新特性是致命的，构建Spark的人做了大量的性能测试和基准测试！让我们看看一些有趣的结果，下面描述了展示一些结果的第一个图。

在这些实验中，他们使用AMPLab的大数据基准测试比较了Spark SQL与Shark和Impala的性能，后者使用了Pavlo等人开发的网络分析工作负载。基准测试包含带不同参数的四种类型查询，这些查询具有执行扫描、聚合、连接和基于UDF的MapReduce作业。使用列式Parquet格式压缩后，数据集包含了110GB的数据。我们看到，在所有查询中，Spark SQL比Shark快得多，通常与Impala竞争。Catalyst优化器负责这个压缩，降低了CPU开销（后面会简要介绍这一点）。此功能使Spark SQL在许多查询中与基于C ++和LLVM的Impala引擎竞争，与Impala的最大差距在于Query 3a中Impala选择更好的join计划，查询的选择性使得其中一个表非常小。

下面的图表显示了DataFrames和常规Spark API以及Spark + SQL的一些性能基准。

Spark DataFrames vs. RDD 和 SQL

最后，下图显示了不同语言中DataFrames与RDD的一个很好的基准测试结果，从而为优化的DataFrames提供了一个有趣的视角。

比较Spark DataFrames 和 RDD

性能秘诀：Catalyst优化器

为什么Spark SQL如此快速和优化？原因是因为新的可扩展优化器Catalyst，基于scala中的函数式编程结构。虽然不会在这里详细介绍Catalyst，但值得一提的是，它有助于优化DataFrames的操作和查询。

Catalyst的可扩展设计有两个目的：

可以轻松地为Spark SQL添加新的优化技术和功能，尤其是解决大数据、半结构化数据和高级分析方面的各种问题
易于优化器的扩展 – 例如，通过添加定制于数据源的规则，可以将过滤或聚合推送到外部存储系统，或支持新的数据类型

Catalyst支持基于规则和基于成本的优化。虽然可扩展优化器在过去已经被提出，但它们通常需要一种复杂的特定于域的语言来指定规则。通常，这会导致显著的学习曲线和维护负担。相比之下，Catalyst使用Scala编程语言的标准特性，例如模式匹配，让开发人员使用完整的编程语言，同时仍然使规则易于指定。

Catalyst的核心包含了一个通用库，用于表示树状结构并应用规则来操作它们。在这个框架的顶部，包含关系查询处理（例如，表达式、逻辑查询计划）的库，以及处理查询执行的不同阶段的若干规则：分析、逻辑优化、物理规划和代码生成，以将查询的部分编译成Java字节码。

关于作者

Dipanjan（DJ）Sarkar – Dipanjan（DJ）Sarkar是RedHat的数据科学家、出版作家、顾问和培训师。他曾在多家创业公司以及英特尔等财富500强公司做过顾问和合作。他主要致力于利用数据科学、机器学习和深度学习来构建大规模智能系统。他拥有数据科学和软件工程专业的技术硕士学位。他也是自学者和大规模开放在线课程的狂热支持者。

查看英文原文：Scaling relational databases with Apache Spark SQL and DataFrames

创作场景

利用 Apache Spark SQL 和 DataFrames 扩展关系数据库