前言

統計科學家使用交互式的統計工具(比如R)來回答數據中的問題，獲得全景的認識。與之相比，數據工程師則更像一名程序員，他們在服務器上編寫代碼，創建和應用機器學習模型，熟悉C++和Java等系統級語言，經常需要和企業級數據中心的某些組件打交道,比如Hadoop。

而有的數據科學家專注于更細的領域，就像精通R但從未聽說過Python或者scikit-learn(反之亦然)，即便兩者都提供了豐富的統計庫。(文末附有驚喜!)

Spark相比其他工具

如果可以提供一種統一的工具，運行在統一的架構，用統一的語言編程，并可以同時滿足統計科學家和數據工程師的需求，那該多好啊。難道為了研究數據，我就必須去學一種像Python或R的語言?我一直使用傳統的數據分析工具，難道為了應對大規模計算，就必須去懂MapReduce?正是統計工具的不完美造就了這種局面：

• R提供了一個豐富的統計分析和機器學習的解釋器。但R難以在分布式條件下執行數據的分析和清洗，以便開展其所擅長的數據分析，也不以一種主流的開發語言為人所知。
• Python是-種通用的編程語言，也不乏出色的第三方數據分析庫(像Pandas和scikit-learn)，但Python也有和R一樣的缺陷:只能局限在處理單機能負載的數據量。
• 在經典的MapReduce計算框架上開發分布式的機器學習算法是可行的(參考Mahout)，但程序員需要從零開始，更別說移植復雜計算的難度。
• 為降低復雜計算移植到MapReduce的難度，Crunch 提供一個簡單的、傻瓜式的Java API,但MapReduce天生決定了它在迭代計算方面是低效的，盡管大多數機器學習算法都需要迭代計算。 

Spark的優勢

Spark是一個超有潛力的通用數據計算平臺，無論是對統計科學家還是數據工程師。大部分人討論到Spark時，總是注意到將數據駐留內存以提高計算效率的方面(相對MapReduce)，Spark 擁有許多的特征，使之真正成為一個融合統計科學和數據工程的交叉點：

• Spark附帶了一個機器學習庫MLib，雖然只是在初始階段。
• Spark是用Scala語言編寫的，運行在Java虛擬機上，同時也提供像R和Python的命令行解釋器。
• 對Java程序員，Scala 的學習曲線是比較陡峭的，但所幸Scala可以兼容一切的Java庫。
• Spark的RDD(彈性分布式數據集)，是Crunch開發者熟知的--種數據結構。
• Spark模仿了Scala 的集合計算API，對Java和Scala開發者來說耳熟能詳，而Python開發者也不難上手，而Scala對統計計算的支持也不錯。
• Spark和其底層的Scala語言，并不只是為機器學習而誕生的，除此之外，像數據訪問、日志ETL和整合都可以通過API輕松搞定。就像Python,你可以把整個數據計算流程搬到Spark平臺.上來，而不僅僅是模型擬合和分析。

在命令行解釋器中執行的代碼，和編譯后運行的效果相同。而且，命令行的輸入可以得到實時反饋，你將看到數據透明地在集群間傳遞與計算。

Spark和MLib還有待完善整個項目有不少bug，效率也還有提升的空間，和YARN的整合也存在問題。Spark還沒辦法提供像R那樣豐富的數據分析函數。但Spark已然是世界上最好的數據平臺，足以讓來自任何背景的數據科學家側目。 

Stack Overflow問題的自動標注

Stack Overflow是一個著名的軟件技術問答平臺，在上面提的每個問題有可能被打上若干個短文本的標簽，比如java或者sql，我們的目標在于建立一.套系統，使用ALS推薦算法，為新問題的標簽提供預測和建議。從推薦系統的角度，你可以把問題想象成user,把標簽想象成item。

首先，從Stack Overflow下載官方提供的截至20140120的問答數據

sta ckoverflow. com-Posts. 7z 

這是一個能夠直接用于分布式計算的bzip格式文件，但在我們的場景下，必須先解壓并拷

貝到HDFS

bzcat stackover flow. com-Posts.7z| hdfs dfs -put一/user /srowen/ Posts. xml 

解壓后的文件大約是24.4GB，包含210萬個問題，1800 萬個回答，總共標注了930萬個標簽，這些標簽排重之后大概是34000個。

確認機器安裝了Spark 之后，輸入spark-shell即可打開Scala的REPL環境。首先,我們讀取一個存儲在HDFS的Posts. xm文件：

val postsXML = sC. textFile("hdfs:/ //user /srowen/Posts. xml") 

這時命令行工具會返回：

postsXML: org. apache. spark.rdd.RDD[String] = MappedRDD[1] at textFile at :12 

顯示文本文件已轉化為一個String型的RDD，你可以通過調用RDD的函數，實現任意的查詢運算。比如統計文件的行數：

postsXML. count 

這條指令生成大量的輸出，顯示Spark正在利用分布式的環境計數，最終打印出18066983。

下一步，將XML文件的每- -行都存入形如(questionID, tag)的元組。得益于Scala的函數式編程的風格，RDD和Scala集合-樣可以使用map等方法： 

val postIDTags = postsXML. flatMap { line =>  
// Matches Id=".. ."  
Tags="..." in line  
val idTagRegex = "Id=\"(\\d+)\". +Tags=\"([^\"]+)\"".r  
// // Finds tags like <TAG> value from above  
val tagRegex = "<([^&]+)>".r  
// Yields 0 or 1 matches:  
idTagRegex. findFirstMatchIn(line) match {  
// No match -- not a line  
case None => None  
// Match, and can extract ID and tags from m  
case Some(m) => {  
val postID = m. group(1) . toInt  
val tagsString = m. group(2)  
// Pick out just TAG matching group  
val tags = tagRegex. findAllMatchIn(tagsString)。map(_ . group  
(1)) . toList  
// Keep only question with at least 4 tags, and map to (pos  
t,tag) tuples  
if (tags.size >= 4) tags . map( (postID,_)) else None  
}  
}  
// Because of flatMap，individual lists will concatenate  
// into one collection of tuples  
} 

你會發現這條指令的執行是立即返回的，而不像count一樣需要等待，因為到目前為止，Spark并未啟動任何主機間的數據變換。

ALS的MLib實現必須使用數值ID而非字符串作為惟一標識，而問題的標簽數據是字符串格式的，所以需要把字符串哈希成一個非負整數，同時保留非負整數到字符串的映射。這里我們先定義一個哈希函數以便復用。 

def nnHash(tag: String) = tag.hashCode & 0x7FFFFF 
var tagHashes = postIDTags .map(_._2) .distinct. map(tag => (nnHash 
(tag) , tag)) 

現在把元組轉換為ALS計算所需的輸入： 

import org. apache. spark. mllib. recommendation._  
// Convert to Rating(Int ,Int,Double) objects  
val alsInput = postIDTags.map(t => Rating(t. _1， nnHash(t._2)， 1.  
0) )  
// Train model with 40 features， 10 iterations of ALS  
val model = ALS. trainImplicit(alsInput, 40，10) 

這一步生成特征矩陣，可以被用來預測問題與標簽之間的關聯。由于目前MLib還處于不完善的狀態，沒有提供一個recommend的接口來獲取建議的標簽，我們可以簡單定義一個： 

def  
recommend (questionID: Int， howMany: Int = 5): Array[(String ，  
Double)] = {  
// Build list of one question and all items and predict value f  
or all of them  
val predictions = model. predict(tagHashes.map(t => (questionI  
D,t._1)))  
// Get top howMany recommendations ordered by prediction value  
val topN = predictions. top ( howMany) (Ordering . by [Rating，Doub1  
e](_.rating))  
// Translate back to tags from IDs  
topN . map(r => (tagHashes. lookup(r . product)(0)，r .rating)) 

通過上述函數，我們可以獲得任意一個問題比如ID為7122697的How to make substring-matching query work fast on a large table?的至少4個標簽：

recommend ( 7122697)。foreach(println) 

推薦結果如下所示： 

(sqL,0.17745152481166354)  
(database,0.13526622226672633)  
(oracle , 0.1079428707621154)  
(ruby-on-rails, 0.06067207312463499)  
(postgresql,0.050933613169706474) 

注意:

• -每次運行得到的結果不盡相同，是因為ALS是從隨機解開始迭代的
• -如果你希望獲得實時性更高的結果，可以在recommend前輸入tagHashes=tagHas hes. cache

真實的問題標簽是postgresql、query-optimi zation、substring 和text-search。不過，預測結果也有一定的合理性(postgresq 經常和ruby-on-rails一起出現)

當然，以上的示例還不夠優雅和高效，但是，我希望所有來自R的分析師、鼓搗Python 的黑客和熟悉Hadoop的開發者，都能從中找到你們熟悉的部分，從而找到一條適合你們的路徑去探索Spark，并從中獲益。