O que é Apache Spark?

O Apache Spark tem uma arquitetura hierárquica primária/secundária. O Spark Driver é o nó primário que controla o gerenciador de cluster, que gerencia os nós secundários e fornece os resultados dos dados ao cliente da aplicação.

Com base no código da aplicação, o Spark Driver gera o SparkContext, que funciona com o gerente de cluster – o gerenciador de cluster autônomo do Spark ou outros gerenciadores de cluster, como o Hadoop YARN, o Kubernetes ou o Mesos – para distribuir e monitorar a execução em todos os nós. Ele também cria conjuntos de dados distribuídos resilientes (RDDs), que são a chave para a incrível velocidade de processamento do Spark.

Conjunto de dados distribuídos resilientes (RDD)

Os conjuntos de dados distribuídos resilientes (RDDs) são coleções de elementos tolerantes a falhas que podem ser distribuídos entre vários nós em um cluster e trabalhados em paralelo. Os RDDs são uma estrutura fundamental no Apache Spark.

O Spark carrega dados fazendo referência a uma fonte de dados ou paralelizando uma coleção existente com o método de paralelização SparkContext de armazenamento de dados em cache em um RDD para processamento. Depois que os dados são carregados em um RDD, o Spark realiza transformações e ações em RDDs na memória – a chave para a velocidade do Spark. O Spark também armazena os dados na memória, a menos que o sistema fique sem memória ou o usuário decida gravar os dados no disco para persistência.

Cada conjunto de dados em um RDD é dividido em partições lógicas, que podem ser calculadas em diferentes nós do cluster. E os usuários podem executar dois tipos de operações de RDD: transformações e ações. As transformações são operações realizadas para criar um novo RDD. As ações são usadas para instruir o Apache Spark a realizar cálculos e enviar o resultado de volta para o driver.

O Spark oferece suporte a uma variedade de ações e transformações nos RDDs. Essa distribuição é feita pelo Spark, para que os usuários não precisem se preocupar em calcular a distribuição correta.

Gráfico Acíclico Dirigido (DAG)

Ao contrário do processo de execução em duas etapas do MapReduce, o Spark cria um DAG (gráfico acíclico dirigido) para programar tarefas e a orquestração de nós de trabalho no cluster. Como o Spark atua e transforma os dados nos processos de execução de tarefas, o agendador DAG facilita a eficiência orquestrando os nós de trabalho em todo o cluster. Esse rastreamento de tarefas possibilita a tolerância a falhas, pois reaplica as operações registradas nos dados de um estado anterior.

DataFrames e conjuntos de dados

Além dos RDDs, o Spark lida com dois outros tipos de dados: DataFrames e conjuntos de dados.

DataFrames são as interfaces de programação de aplicações (APIs) estruturadas mais comuns e representam uma tabela de dados com linhas e colunas. Embora o RDD tenha sido um recurso crítico para o Spark, ele agora está no modo de manutenção. Devido à popularidade da Biblioteca de Aprendizado de Máquina (MLlib) do Spark, os DataFrames assumiram o papel de principal API para MLlib (um conjunto de algoritmos de aprendizado de máquina para escalabilidade, além de ferramentas para seleção de recursos e criação de pipelines de ML). É importante observar isso ao usar a API MLlib, pois os DataFrames fornecem uniformidade entre as diferentes linguagens, como Scala, Java, Python e R.

Os conjuntos de dados são uma extensão dos DataFrames que oferecem uma interface de programação orientada a objetos e com segurança de tipos. Os conjuntos de dados são, por padrão, uma coleção de objetos JVM com tipos definidos, diferente dos DataFrames.

O Spark SQL permite que os dados sejam consultados a partir de DataFrames e armazenamentos de dados SQL, como o Apache Hive. Quando executadas em outra linguagem, as consultas do Spark SQL retornam um DataFrame ou conjunto de dados.

Spark Core

Spark Core é a base para todo o processamento de dados paralelo e lida com agendamento, otimização, RDD e abstração de dados. O Spark Core fornece a base funcional para as bibliotecas Spark, Spark SQL, Spark Streaming, a biblioteca de aprendizado de máquina MLlib e o processamento de dados gráficos GraphX. O Spark Core e o gerenciador de cluster distribuem os dados pelo cluster do Spark e os abstraem. Essa distribuição e abstração tornam o manuseio de big data muito rápido e fácil de usar.

APIs do Spark

O Spark inclui uma variedade de interfaces de programação de aplicações (APIs) para tornar o poder do Spark acessível ao maior número de pessoas. O Spark SQL permite uma interação com os dados RDD de uma maneira relacional. O Spark também tem uma API bem documentada para Scala, Java, Python e R. A API de cada linguagem no Spark tem suas nuances específicas na forma como lida com os dados. Os RDDs, DataFrames e conjuntos de dados estão disponíveis na API de cada linguagem. Com APIs para uma variedade de linguagens, o Spark torna o processamento de big data acessível a grupos mais diversos de pessoas com experiência em desenvolvimento, ciência de dados, engenharia de dados e estatística.

O Spark acelera o desenvolvimento e as operações de várias maneiras. O Spark ajudará as equipes a:

• Acelerar o desenvolvimento de aplicações: os modelos de programação SQL e Streaming do Apache Spark com o apoio da MLlib e do GraphX facilitam a criação de aplicações que exploram o aprendizado de máquina e a análise de gráficos.

• Inovar com mais rapidez: as APIs oferecem facilidade de uso na manipulação de dados semiestruturados e na transformação de dados.

• Gerenciar com facilidade: um mecanismo unificado oferece suporte a SQL queries, dados de streaming, aprendizado de máquina (ML) e processamento de gráficos.

• Otimizar com tecnologias abertas: a OpenPOWER Foundation permite a aceleração GPU, CAPI Flash, RDMA, FPGA e inovação de aprendizado de máquina para otimizar o desempenho das cargas de trabalho do Apache Spark.

• Processar com mais rapidez: o Spark pode ser 100x mais rápido do que o Hadoop (link externo ao site ibm.com) para cargas de trabalho menores devido ao seu avançado mecanismo de computação in-memory e seu armazenamento de dados em disco.

• Acelerar o acesso à memória: o Spark pode ser usado para criar um grande espaço de memória para processamento de dados, permitindo que os usuários mais avançados acessem dados por meio de interfaces usando Python, R e Spark SQL.

O Spark possui várias bibliotecas que estendem os recursos para machine learning, inteligência artificial (IA) e processamento de fluxo.

Apache Spark MLlib

Um dos recursos críticos do Apache Spark são as habilidades de machine learning disponíveis no Spark MLlib. O Apache Spark MLlib fornece uma solução pronta para uso para fazer classificação e regressão, filtragem colaborativa, armazenamento em cluster, álgebra linear distribuída, árvores de decisão, florestas aleatórias, árvores com aumento de gradiente, mineração de padrão frequente, métricas de avaliação e estatísticas. Os recursos do MLlib, combinados com os vários tipos de dados que o Spark pode manipular, tornam o Apache Spark uma ferramenta indispensável de Big Data.

Spark GraphX

Além de ter recursos de API, o Spark possui o Spark GraphX, uma nova adição ao Spark projetada para resolver problemas de gráficos. O GraphX é uma abstração de gráfico que estende RDDs para gráficos e computação paralela a gráficos. O Spark GraphX integra-se com bancos de dados gráficos que armazenam informações de interconectividade ou redes de informações de conexão, como a de uma rede social.

Spark Streaming

O Spark Streaming é uma extensão da API principal do Spark que permite o processamento de ajuste de escala que seja tolerante a falhas de fluxos de dados ativos. À medida que o Spark Streaming processa dados, ele pode fornecer dados para sistemas de arquivos, bancos de dados e painéis ativos para análises de streaming em tempo real com machine learning e algoritmos de processamento de gráficos do Spark. Construído com o mecanismo Spark SQL, o Spark Streaming também permite processamento em lote incremental que resulta em processamento mais rápido de dados transmitidos.

"Spark vs. Hadoop" é uma busca feita com frequência na web, mas, como observado acima, o Spark é mais um aprimoramento do Hadoop e, mais especificamente, do componente nativo de processamento de dados do Hadoop, o MapReduce. Na verdade, o Spark foi desenvolvido na estrutura MapReduce e, atualmente, a maioria das distribuições do Hadoop inclui o Spark.

Como o Spark, o MapReduce permite que os programadores escrevam aplicações que processam grandes conjuntos de dados mais rapidamente ao processar partes do conjunto de dados em paralelo em grandes clusters de computadores. Mas enquanto o MapReduce processa dados em disco, adicionando tempos de leitura e escrita que retardam o processamento, o Spark realiza os cálculos na memória, o que é muito mais rápido. Como resultado, o Spark pode processar dados até 100 vezes mais rápido do que o MapReduce.

As APIs integradas do Spark para várias linguagens o tornam mais prático e acessível para desenvolvedores do que o MapReduce, que tem reputação de ser difícil de programar. Ao contrário do MapReduce, o Spark pode executar aplicações de processamento de stream em clusters Hadoop usando YARN, a estrutura de gerenciamento de recursos e agendamento de trabalhos do Hadoop. Conforme mencionado acima, o Spark adiciona os recursos de MLlib, GraphX e SparkSQL. E o Spark pode lidar com dados de outras fontes de dados fora da aplicação Hadoop, incluindo o Apache Kafka.

Caso contrário, o Spark é compatível e complementar ao Hadoop. Ele pode processar dados do Hadoop, incluindo dados do HDFS (o sistema de arquivos distribuídos do Hadoop), do HBase (um banco de dados não relacional executado em HDFS), do Apache Cassandra (uma alternativa NoSQL ao HDFS) e do Hive (um data warehouse baseado em Hadoop).