Scalding入门——很Spark的MapReduce流计算框架

Scalding是对Cascading框架的Scala封装，或者更确切地说是一种函数式封装。看到Cascading的时候你可能会觉得这么麻烦的东西有必要学吗？但是再看看Scalding就会发现，这好像跟写一般的Scala代码也没什么区别……小小的封装带来巨大的改变。MapReduce/Spark这一遍玩下来最大的体会就是——用命令式语言表达函数式的东西真是太费劲了(map/reduce是函数式语言的基本操作）！

　　写惯了Spark再来看java的MapReduce的感觉就是再也回不去了。MapReduce是初恋又如何，函数式语言天生表达map、reduce就是比java这种命令式的要强得多得多得多。在用Spark用了一年之后基本上还是能总结出相对于MapReduce来说Spark的缺点：在单轮任务（典型的的ETL）上基本上没有什么优势，对于集群的利用来说与MapReduce还是有差距，具体表现在资源使用模式固定，无法像MR一样伸缩式的起大量map，这在资源空闲时是巨大的浪费。

1. 为什么是Scalding

　　网上找到一篇文章列举了列举了Pig, Scalding, Scoobi, Hive, Spark, Scrunch, Cascalog相关介绍的文章列表1。对于我自己而言：
1. 我需要一个简单框架来写MapReduce，并且能够很好利用现有库，hive、pig、spark出局；
2. 需要函数式使用API，Scala封装是很好的选择，还剩下Scoobi, Scalding, Scrunch
3. 易用，满足我司常见的三个场景的需求（列举在下文）。Scoobi, Scrunch对Thrift Parquet支持不好，出局。

从实际使用上来看，用Scala封装得比较好的MapReduce一样可以和写Spark一样简单。赞！

2. 实际用例

　　Scalding有两种API：Type-safe API2和 Fields Based API3。Fields Based API有点SQL的意思，喜欢的话还是不错的，专门有一本书叫《programming mapreduce with scalding4》，里面全部都是用Fields Based API讲的。全书总共也就100来页，很快就可以学完。

　　个人是先接触的Spark，已经被Typesafe洗脑，还是更倾向于接受Type-safe API。下面所有的例子都 是基于Type-safe API的。下面是针对一种是针对我司常见的三种应用场景分别介绍，
直接上的例子，具体地有兴趣可以自行查询API，一些相关的参考资料已经标在脚注中了。

2.1 读写纯文本文件

import com.twitter.scalding._

class TextFileExample(args: Args) extends Job(args) {
  TypedPipe.from(TextLine(args("input")))
    .flatMap(line => line.split("\\s"))
    .map { word => (word, 1L) }
    .sumByKey // reduce num not set
    .write(TypedTsv[(String, Long)](args("output")))
}

2.2 读写SequenceFile

import org.apache.hadoop.io.{BytesWritable, Text}
import com.twitter.scalding._

class SequenceFileExample(args: Args) extends Job(args) {

  object Agg extends Aggregator[(String, Int), Int, Int] {
    def prepare(v: (String, Int)) = v._2
    val semigroup = Semigroup.from { (l: Int, r: Int) => l + r }
    def present(v: Int) = v
  }

  TypedPipe.from(WritableSequenceFile[BytesWritable, BytesWritable](args("input")))
    .flatMap {
      case (k, v) =>
        val line = new String(v.getBytes, 0, v.getLength)
        line.split("\\s").map(w => (w, 2))
    }
    .groupBy(_._1).aggregate(Agg) // aggregate by key
    .toTypedPipe
    .map { case (k, v) => (new Text(k), new io.IntWritable(v)) }
    .reduce((a, b) => (a._1, a._2 + b._2))
    .write(WritableSequenceFile(args("output")))
}

2.3. 读写Thrift+Paruqet文件

import parquet.thrift.test.Name // thrift对象
import com.twitter.scalding._
import com.twitter.scalding.parquet.thrift.FixedPathParquetThrift

class ThriftParquetFileExample(args: Args) extends Job(args) {
  val source = new FixedPathParquetThrift[Name](args("input"))
  val sink = new FixedPathParquetThrift[Name](args("output"))

  TypedPipe.from(source)
    .map { name => println(name); name }
    .write(sink)
}

3. 更多

看起来还不错，但是其实与实际应用还是有些差距的，要解决更多的问题。

3.1. MapReduce配置

　　重载config方法可以完成对MapReduce任务的配置，包括压缩、队列等等，用-Dmapred.map.output.compress=true这样的配在启动命令里面也是可以的。

• 设置压缩（太不友好了）

  override def config: Map[AnyRef, AnyRef] =
    super.config ++ Map(
      // JOB OUTPUT
      "mapred.output.fileoutputformat.compress" -> "true",
      "mapred.output.fileoutputformat.compress.codec" -> "parquet.hadoop.codec.SnappyCodec",
      "mapred.output.fileoutputformat.compress.type" -> "BLOCK",
      "mapred.output.compression.type" -> "BLOCK",
      "mapred.output.compress" -> "true",
      "mapred.output.compression.codec" -> "parquet.hadoop.codec.SnappyCodec",
      // MAP OUTPUT
      "mapred.map.output.compress" -> "true",
      "mapred.map.output.compress.codec" -> "parquet.hadoop.codec.SnappyCodec"
    )

• 设置队列

  override def config: Map[AnyRef,AnyRef] = {
    super.config ++ Map ("mapreduce.job.queuename" -> args("queue"))
  }

3.2. 命令行参数解析

　　这部分不用担心，Args类实现了一些基本的，可以满足大部分需求。

// class Xyyy(args: Args) extends Job(args)
val input: String = args("input") // --input后面接了单个的字符串
val inputs: List[String] = args.list("input") // --input后面接了多个字符串
val numReduce: Int = args.int("num-reduce") // --num-reduce 后面接一个整数

3.3. 在IDE中运行与调试

1. 在IDE中复制一个已有的运行时的配置，在主类填com.twitter.scalding.Tool，然后参数ThriftParquetFileExample --hdfs --input testdata/name.parquet --output output
2. 加伴生类

class TextFileExample(args: Args) extends Job(args) { ... }

object TextFileExample extends App {
  Tool.main(getClass.getCanonicalName.stripSuffix("$") +: args)
}

这个时候这个文件就有“运行”选项了，再配一下参数就可以跑了。
　　二者其实是等价的。

3.4. Counter

import cascading.flow.{Flow, FlowListener}
import com.twitter.scalding._

class TextFileExample(args: Args) extends Job(args) {
  val key = StatKey("word", "udc")
  val stat = Stat(key)

  TypedPipe.from(TextLine(args("input")))
    .flatMap(line => line.split("\\s"))
    .map { word => stat.inc; (word, 1L) }
    .sumByKey // reduce num not set
    .write(TypedTsv[(String, Long)](args("output")))

  /**
    * 任务结束后，自定义的Counter会打印出来，如果不需要获取Counter做更多操作，可以不重载这里
    * "copy" from https://itellity.wordpress.com/2014/10/29/counters-using-cascading-flow-listeners-in-scalding/
    */
  override def listeners = super.listeners ++ List(new FlowListener {
    override def onStarting(flow: Flow[_]): Unit = {}

    override def onCompleted(flow: Flow[_]) {
      try {
        val fs = flow.getFlowStats
        println(key.group, key.counter, fs.getCounterValue(key.group, key.counter))
      } catch {
        case e: Exception => e.printStackTrace()
      }
    }

    override def onThrowable(flow: Flow[_], e: Throwable): Boolean = {
      e.printStackTrace()
      true
    }

    override def onStopping(flow: Flow[_]): Unit = {}
  })
}

4. GitHub上的Scalding-Demo工程

du00cs/mapreduce-spark-example
还包括更多的样例，包括：

1. 输出默认是覆盖，可以配置为存在的时候写出错
2. 比reduce更通用的是aggregator，需要注意使用方法
3. 能够用于提交执行的jar包需要打进去一些相关依赖，项目的pom中给出了一个可用例子
4. 以及一些提交任务的脚本

不过还有一种需求需要找一下怎么实现——MapReduce的Setup阶段的公共数据初始化，实现了这个就基本上完美了。

---

1. http://nosql.mypopescu.com/post/19949707029/impressions-about-hive-pig-scalding-scoobi ↩
2. Git Wiki Type-safe API ↩
3. Git Wiki Fields based API ↩
4. 书中的样例代码作者放在GitHub的scalding-io/ProgrammingWithScalding上了,可以拉下来学学。 ↩