大数据平台Lambda架构浅析（全量计算+增量计算）

笔者刚接触大数据方面时，只知道Hadoop和时下很火的Spark，对Hadoop、Spark的认知只停留在跑跑demo，写点离线小app，后来随着学业项目的需要，开始逐步了解时下工业界的大数据平台是如何搭建起来的。在搜刮大量资料后，从一篇paper里看到Lambda这一陌生的字眼，再一搜，发现这正是我需要的大数据平台基础架构。Oryx2正是基于Lambda架构和Spark搭建的大数据处理开源框架。
废话不多说，谨以此篇博文记录自己对lambda架构的理解

上图便是从lambda官网盗取的架构图

1：所有数据都来自于同一入口，然后被分发到batch layer（批处理层）和speed layer（实时计算层）
对于数据来源，可参考Oryx2的做法，统一采用Kafka接入Spark Streaming，然后再根据订阅的topic分发数据到batch layer和speed layer。关于Kafka接入Spark Streaming，确实挺多坑，当然对Kafka熟悉的大神就很easy，对我这种菜鸡来说着实吃力。
我试了两种方式（Kafka 0.10.1 + Spark 2.0.0）：
1）Spark官网提供的方法，详尽参考Spark Streaming + Kafka Integration Guide (Kafka broker version 0.10.0 or higher)，按照教程一步一步来，肯定可以成功
2）使用开源框架kafka-spark-consumer，由于此框架对应的spark版本是spark1.6.0，kafka支持的版本有0.8、0.9、0.10，所以可以放心接入，只是使用spark2.0+的童鞋需要手动更改下框架中提供的demo(SampleConsumer.java)，此框架亲测可用！

2：batch layer官网给出简略解释是：两个作用{1)管理全量数据(不可变的，且只用append方式增加数据；2）处理全量数据得出模型–>结果)
对于batch layer，主要用于全量计算，处理所有历史数据，这里有三点注意：
1）数据是有限的
2）数据需要被持久化
3）数据量大–>导致处理过程high latency
那么，批处理层怎么实现好呢？
从Kafka接入数据到Spark Streaming后，处理每个rdd，将rdd中数据解析结构化并持久化到HDFS中。笔者是基于HBase+Parquet+Spark SQL的机制来做处理，首先将所有原数据保存到HBase的一张表中，然后根据row key（可加入时间戳）读取HBase数据，根据读取到的数据从remote server文件数据源服务器fetch文件到平台的HDFS，用Parquet记录文件中需要作为训练集的信息，训练模型时再用Spark SQL去读parquet file（仅供参考，过程可根据业务不同调整）

3：serving layer主要用于merge 批处理层和speed层结果，供外部web接口查询结果用的

4：speed layer的出现主要是弥补batch layer高延时的缺点，是一种增量计算的处理层
怎么理解和实现“增量计算”呢？说实话，这着实让我费解了好久……
其实，说白了，就是对从时间起始点开始进入系统的数据，采用分块处理的方式，将数据分成各自独立的进行处理，即micro-batch processing。Spark Streaming就是基于这种思想衍生而来的。
对于流入speed layer的数据集，有三点需要注意：
1）数据是“无限”的
2）当前处理中的数据集（工作集）可能是相关的，且同时只限制于当前数据集（即与其他数据集无关）
3）处理是基于事件的，只有被明确停止才会结束；得到的结果会立即生效并且随着新数据进入会实时更新
当前很火的流计算框架有：Storm、Spark Streaming等
Spark Streaming官网这张图就很直观的解释了什么是micro-batch processing：

Spark Streaming还提供另一个操作：window operations（滑动窗）

通过指定window length（窗的长度）+ sliding interval（滑动间隔），即可将数据流分成相对独立的小块，随着窗口的滑动即可分批处理流入的数据，这正是speed layer处理数据流的精髓所在
像Oryx2，batch layer和speed layer是开启两个不同的StreamingContext，从kafka消化数据做处理（Spark中，一个JVM进程只能同时存在一个streamingContext）