Spark in meituan http://tech.meituan.com/spark-in-meituan.html
Spark在美團(tuán)的實(shí)踐
忽略元數(shù)據(jù)末尾引言：Spark美團(tuán)系列終于湊成三部曲了，Spark很強(qiáng)大應(yīng)用很廣泛，
文中Spark交互式開發(fā)平臺(tái)和作業(yè)ETL模板的設(shè)計(jì)都很有啟發(fā)借鑒意義。
原文鏈接：http://tech.meituan.com/spark-in-meituan.html
關(guān)鍵詞：Spark，Zeppelin，ETL, 用戶特征，數(shù)據(jù)挖掘
美團(tuán)是數(shù)據(jù)驅(qū)動(dòng)的互聯(lián)網(wǎng)服務(wù)，用戶每天在美團(tuán)上的點(diǎn)擊、瀏覽、下單支付行為都會(huì)產(chǎn)生海量的日志，這些日志數(shù)據(jù)將被匯總處理、分析、挖掘與學(xué)習(xí)，為美 團(tuán)的各種推薦、搜索系統(tǒng)甚至公司戰(zhàn)略目標(biāo)制定提供數(shù)據(jù)支持。大數(shù)據(jù)處理滲透到了美團(tuán)各業(yè)務(wù)線的各種應(yīng)用場景，選擇合適、高效的數(shù)據(jù)處理引擎能夠大大提高數(shù) 據(jù)生產(chǎn)的效率，進(jìn)而間接或直接提升相關(guān)團(tuán)隊(duì)的工作效率。 美團(tuán)最初的數(shù)據(jù)處理以Hive SQL為主，底層計(jì)算引擎為MapReduce，部分相對復(fù)雜的業(yè)務(wù)會(huì)由工程師編寫MapReduce程序?qū)崿F(xiàn)。隨著業(yè)務(wù)的發(fā)展，單純的Hive SQL查詢或者M(jìn)apReduce程序已經(jīng)越來越難以滿足數(shù)據(jù)處理和分析的需求。 一方面，MapReduce計(jì)算模型對多輪迭代的DAG作業(yè)支持不給力，每輪迭代都需要將數(shù)據(jù)落盤，極大地影響了作業(yè)執(zhí)行效率，另外只提供Map和Reduce這兩種計(jì)算因子，使得用戶在實(shí)現(xiàn)迭代式計(jì)算（比如：機(jī)器學(xué)習(xí)算法）時(shí)成本高且效率低。 另 一方面，在數(shù)據(jù)倉庫的按天生產(chǎn)中，由于某些原始日志是半結(jié)構(gòu)化或者非結(jié)構(gòu)化數(shù)據(jù)，因此，對其進(jìn)行清洗和轉(zhuǎn)換操作時(shí)，需要結(jié)合SQL查詢以及復(fù)雜的過程式邏 輯處理，這部分工作之前是由Hive SQL結(jié)合Python腳本來完成。這種方式存在效率問題，當(dāng)數(shù)據(jù)量比較大的時(shí)候，流程的運(yùn)行時(shí)間較長，這些ETL流程通常處于比較上游的位置，會(huì)直接影 響到一系列下游的完成時(shí)間以及各種重要數(shù)據(jù)報(bào)表的生成。 基于以上原因，美團(tuán)在2014年的時(shí)候引入了Spark。為了充分利用現(xiàn)有Hadoop集 群的資源，我們采用了Spark on Yarn模式，所有的Spark app以及MapReduce作業(yè)會(huì)通過Yarn統(tǒng)一調(diào)度執(zhí)行。Spark在美團(tuán)數(shù)據(jù)平臺(tái)架構(gòu)中的位置如圖所示：
經(jīng)過近兩年的推廣和發(fā)展，從最開始只有少數(shù)團(tuán)隊(duì)嘗試用Spark解決數(shù)據(jù)處理、機(jī)器學(xué)習(xí)等問題，到現(xiàn)在已經(jīng)覆蓋了美團(tuán)各大業(yè)務(wù)線的各種應(yīng)用場景。從 上游的ETL生產(chǎn)，到下游的SQL查詢分析以及機(jī)器學(xué)習(xí)等，Spark正在逐步替代MapReduce作業(yè)，成為美團(tuán)大數(shù)據(jù)處理的主流計(jì)算引擎。目前美團(tuán) Hadoop集群用戶每天提交的Spark作業(yè)數(shù)和MapReduce作業(yè)數(shù)比例為4：1，對于一些上游的Hive ETL流程，遷移到Spark之后，在相同的資源使用情況下，作業(yè)執(zhí)行速度提升了十倍，極大地提升了業(yè)務(wù)方的生產(chǎn)效率。 下面我們將介紹Spark 在美團(tuán)的實(shí)踐，包括我們基于Spark所做的平臺(tái)化工作以及Spark在生產(chǎn)環(huán)境下的應(yīng)用案例。其中包含Zeppelin結(jié)合的交互式開發(fā)平臺(tái)，也有使用 Spark任務(wù)完成的ETL數(shù)據(jù)轉(zhuǎn)換工具，數(shù)據(jù)挖掘組基于Spark開發(fā)了特征平臺(tái)和數(shù)據(jù)挖掘平臺(tái)，另外還有基于Spark的交互式用戶行為分析系統(tǒng)以及 在SEM投放服務(wù)中的應(yīng)用，以下是詳細(xì)介紹。
Spark交互式開發(fā)平臺(tái)
在推廣如何使用Spark的過程中，我們總結(jié)了用戶開發(fā)應(yīng)用的主要需求：
基于這些需求，我們調(diào)研了現(xiàn)有的開源系統(tǒng)，最終選擇了Apache的孵化項(xiàng)目Zeppelin，將其作為基于Spark的交互式開發(fā)平臺(tái)。Zeppelin整合了Spark，Markdown，Shell，Angular等引擎，集成了數(shù)據(jù)分析和可視化等功能。
我們在原生的Zeppelin上增加了用戶登陸認(rèn)證、用戶行為日志審計(jì)、權(quán)限管理以及執(zhí)行Spark作業(yè)資源隔離，打造了一個(gè)美團(tuán)的Spark的交互式開發(fā)平臺(tái)，不同的用戶可以在該平臺(tái)上調(diào)研數(shù)據(jù)、調(diào)試程序、共享代碼和結(jié)論。
集成在Zeppelin的Spark提供了三種解釋器：Spark、Pyspark、SQL，分別適用于編寫Scala、Python、SQL代 碼。對于上述的數(shù)據(jù)調(diào)研需求，無論是程序設(shè)計(jì)之初，還是編碼實(shí)現(xiàn)過程中，當(dāng)需要檢索數(shù)據(jù)信息時(shí)，通過Zeppelin提供的SQL接口可以很便利的獲取到 分析結(jié)果；另外，Zeppelin中Scala和Python解釋器自身的交互式特性滿足了用戶對Spark和Pyspark分步調(diào)試的需求，同時(shí)由于 Zeppelin可以直接連接線上集群，因此可以滿足用戶對線上數(shù)據(jù)的讀寫處理請求；最后，Zeppelin使用Web Socket通信，用戶只需要簡單地發(fā)送要分享內(nèi)容所在的http鏈接，所有接受者就可以同步感知代碼修改，運(yùn)行結(jié)果等，實(shí)現(xiàn)多個(gè)開發(fā)者協(xié)同工作。
Spark作業(yè)ETL模板
除了提供平臺(tái)化的工具以外，我們也會(huì)從其他方面來提高用戶的開發(fā)效率，比如將類似的需求進(jìn)行封裝，提供一個(gè)統(tǒng)一的ETL模板，讓用戶可以很方便的使用Spark實(shí)現(xiàn)業(yè)務(wù)需求。
美團(tuán)目前的數(shù)據(jù)生產(chǎn)主體是通過ETL將原始的日志通過清洗、轉(zhuǎn)換等步驟后加載到Hive表中。而很多線上業(yè)務(wù)需要將Hive表里面的數(shù)據(jù)以一定的規(guī) 則組成鍵值對，導(dǎo)入到Tair中，用于上層應(yīng)用快速訪問。其中大部分的需求邏輯相同，即把Hive表中幾個(gè)指定字段的值按一定的規(guī)則拼接成key值，另外 幾個(gè)字段的值以json字符串的形式作為value值，最后將得到的<key, value="">對寫入Tair。
由于Hive表中的數(shù)據(jù)量一般較大，使用單機(jī)程序讀取數(shù)據(jù)和寫入Tair效率比較低，因此部分業(yè)務(wù)方?jīng)Q定使用Spark來實(shí)現(xiàn)這套邏輯。最初由業(yè)務(wù) 方的工程師各自用Spark程序?qū)崿F(xiàn)從Hive讀數(shù)據(jù)，寫入到Tair中（以下簡稱hive2Tair流程），這種情況下存在如下問題： 每個(gè)業(yè)務(wù)方都要自己實(shí)現(xiàn)一套邏輯類似的流程，產(chǎn)生大量重復(fù)的開發(fā)工作； 由于Spark是分布式的計(jì)算引擎，因此代碼實(shí)現(xiàn)和參數(shù)設(shè)置不當(dāng)很容易對Tair集群造成巨大壓力，影響Tair的正常服務(wù)。 基于以上原因，我們開發(fā)了Spark版的hive2Tair流程，并將其封裝成一個(gè)標(biāo)準(zhǔn)的ETL模板，其格式和內(nèi)容如下所示：
source用于指定Hive表源數(shù)據(jù)，target指定目標(biāo)Tair的庫和表，這兩個(gè)參數(shù)可以用于調(diào)度系統(tǒng)解析該ETL的上下游依賴關(guān)系，從而很方便地加入到現(xiàn)有的ETL生產(chǎn)體系中。
有了這個(gè)模板，用戶只需要填寫一些基本的信息（包括Hive表來源，組成key的字段列表，組成value的字段列表，目標(biāo)Tair集群）即可生成 一個(gè)hive2Tair的ETL流程。整個(gè)流程生成過程不需要任何Spark基礎(chǔ)，也不需要做任何的代碼開發(fā)，極大地降低了用戶的使用門檻，避免了重復(fù)開 發(fā)，提高了開發(fā)效率。該流程執(zhí)行時(shí)會(huì)自動(dòng)生成一個(gè)Spark作業(yè)，以相對保守的參數(shù)運(yùn)行：默認(rèn)開啟動(dòng)態(tài)資源分配，每個(gè)Executor核數(shù)為2，內(nèi)存 2GB，最大Executor數(shù)設(shè)置為100。如果對于性能有很高的要求，并且申請的Tair集群比較大，那么可以使用一些調(diào)優(yōu)參數(shù)來提升寫入的性能。目 前我們僅對用戶暴露了設(shè)置Executor數(shù)量以及每個(gè)Executor內(nèi)存的接口，并且設(shè)置了一個(gè)相對安全的最大值規(guī)定，避免由于參數(shù)設(shè)置不合理給 Hadoop集群以及Tair集群造成異常壓力。
基于Spark的用戶特征平臺(tái)
在沒有特征平臺(tái)之前，各個(gè)數(shù)據(jù)挖掘人員按照各自項(xiàng)目的需求提取用戶特征數(shù)據(jù)，主要是通過美團(tuán)的ETL調(diào)度平臺(tái)按月/天來完成數(shù)據(jù)的提取。?
但從用戶特征來看，其實(shí)會(huì)有很多的重復(fù)工作，不同的項(xiàng)目需要的用戶特征其實(shí)有很多是一樣的，為了減少冗余的提取工作，也為了節(jié)省計(jì)算資源，建立特征 平臺(tái)的需求隨之誕生，特征平臺(tái)只需要聚合各個(gè)開發(fā)人員已經(jīng)提取的特征數(shù)據(jù)，并提供給其他人使用。特征平臺(tái)主要使用Spark的批處理功能來完成數(shù)據(jù)的提取 和聚合。 開發(fā)人員提取特征主要還是通過ETL來完成，有些數(shù)據(jù)使用Spark來處理，比如用戶搜索關(guān)鍵詞的統(tǒng)計(jì)。 開發(fā)人員提供的特征數(shù) 據(jù)，需要按照平臺(tái)提供的配置文件格式添加到特征庫，比如在圖團(tuán)購的配置文件中，團(tuán)購業(yè)務(wù)中有一個(gè)用戶24小時(shí)時(shí)段支付的次數(shù)特征，輸入就是一個(gè)生成好的特 征表，開發(fā)人員通過測試驗(yàn)證無誤之后，即完成了數(shù)據(jù)上線；另外對于有些特征，只需要從現(xiàn)有的表中提取部分特征數(shù)據(jù)，開發(fā)人員也只需要簡單的配置即可完成。?
在圖中，我們可以看到特征聚合分兩層，第一層是各個(gè)業(yè)務(wù)數(shù)據(jù)內(nèi)部聚合，比如團(tuán)購的數(shù)據(jù)配置文件中會(huì)有很多的團(tuán)購特征、購買、瀏覽等分散在不同的表 中，每個(gè)業(yè)務(wù)都會(huì)有獨(dú)立的Spark任務(wù)來完成聚合，構(gòu)成一個(gè)用戶團(tuán)購特征表；特征聚合是一個(gè)典型的join任務(wù)，對比MapReduce性能提升了10 倍左右。第二層是把各個(gè)業(yè)務(wù)表數(shù)據(jù)再進(jìn)行一次聚合，生成最終的用戶特征數(shù)據(jù)表。 特征庫中的特征是可視化的，我們在聚合特征時(shí)就會(huì)統(tǒng)計(jì)特征覆蓋的人 數(shù)，特征的最大最小數(shù)值等，然后同步到RDB，這樣管理人員和開發(fā)者都能通過可視化來直觀地了解特征。 另外，我們還提供特征監(jiān)測和告警，使用最近7天的特征統(tǒng)計(jì)數(shù)據(jù)，對比各個(gè)特征昨天和今天的覆蓋人數(shù)，是增多了還是減少了，比如性別為女這個(gè)特征的覆蓋人 數(shù)，如果發(fā)現(xiàn)今天的覆蓋人數(shù)比昨天低了1%（比如昨天6億用戶，女性2億，那么人數(shù)降低了1％＊2億＝2百萬）突然減少2萬女性用戶說明數(shù)據(jù)出現(xiàn)了極大的 異常，何況網(wǎng)站的用戶數(shù)每天都是增長的。這些異常都會(huì)通過郵件發(fā)送到平臺(tái)和特征提取的相關(guān)人。
Spark數(shù)據(jù)挖掘平臺(tái)
數(shù)據(jù)挖掘平臺(tái)是完全依賴于用戶特征庫的，通過特征庫提供用戶特征，數(shù)據(jù)挖掘平臺(tái)對特征進(jìn)行轉(zhuǎn)換并統(tǒng)一格式輸出，就此開發(fā)人員可以快速完成模型的開發(fā) 和迭代，之前需要兩周開發(fā)一個(gè)模型，現(xiàn)在短則需要幾個(gè)小時(shí)，多則幾天就能完成。特征的轉(zhuǎn)換包括特征名稱的編碼，也包括特征值的平滑和歸一化，平臺(tái)也提供特 征離散化和特征選擇的功能，這些都是使用Spark離線完成。
開發(fā)人員拿到訓(xùn)練樣本之后，可以使用Spark mllib或者Python sklearn等完成模型訓(xùn)練，得到最優(yōu)化模型之后，將模型保存為平臺(tái)定義好的模型存儲(chǔ)格式，并提供相關(guān)配置參數(shù)，通過平臺(tái)即可完成模型上線，模型可以按 天或者按周進(jìn)行調(diào)度。當(dāng)然如果模型需要重新訓(xùn)練或者其它調(diào)整，那么開發(fā)者還可以把模型下線。不只如此，平臺(tái)還提供了一個(gè)模型準(zhǔn)確率告警的功能，每次模型在 預(yù)測完成之后，會(huì)計(jì)算用戶提供的樣本中預(yù)測的準(zhǔn)確率，并比較開發(fā)者提供的準(zhǔn)確率告警閾值，如果低于閾值則發(fā)郵件通知開發(fā)者，是否需要對模型重新訓(xùn)練。?
在開發(fā)挖掘平臺(tái)的模型預(yù)測功時(shí)能我們走了點(diǎn)彎路，平臺(tái)的模型預(yù)測功能開始是兼容Spark接口的，也就是使用Spark保存和加載模型文件并預(yù)測， 使用過的人知道Spark mllib的很多API都是私有的開發(fā)人員無法直接使用，所以我們這些接口進(jìn)行封裝然后再提供給開發(fā)者使用，但也只解決了Spark開發(fā)人員的問題，平臺(tái) 還需要兼容其他平臺(tái)的模型輸出和加載以及預(yù)測的功能，這讓我們面臨必需維護(hù)一個(gè)模型多個(gè)接口的問題，開發(fā)和維護(hù)成本都較高，最后還是放棄了兼容Spark 接口的實(shí)現(xiàn)方式，我們自己定義了模型的保存格式，以及模型加載和模型預(yù)測的功能。
以上內(nèi)容介紹了美團(tuán)基于Spark所做的平臺(tái)化工作，這些平臺(tái)和工具是面向全公司所有業(yè)務(wù)線服務(wù)的，旨在避免各團(tuán)隊(duì)做無意義的重復(fù)性工作，以及提高 公司整體的數(shù)據(jù)生產(chǎn)效率。目前看來效果是比較好的，這些平臺(tái)和工具在公司內(nèi)部得到了廣泛的認(rèn)可和應(yīng)用，當(dāng)然也有不少的建議，推動(dòng)我們持續(xù)地優(yōu)化。 隨 著Spark的發(fā)展和推廣，從上游的ETL到下游的日常數(shù)據(jù)統(tǒng)計(jì)分析、推薦和搜索系統(tǒng)，越來越多的業(yè)務(wù)線開始嘗試使用Spark進(jìn)行各種復(fù)雜的數(shù)據(jù)處理和 分析工作。下面將以Spark在交互式用戶行為分析系統(tǒng)以及SEM投放服務(wù)為例，介紹Spark在美團(tuán)實(shí)際業(yè)務(wù)生產(chǎn)環(huán)境下的應(yīng)用。
Spark在交互式用戶行為分析系統(tǒng)中的實(shí)踐
美團(tuán)的交互式用戶行為分析系統(tǒng)，用于提供對海量的流量數(shù)據(jù)進(jìn)行交互式分析的功能，系統(tǒng)的主要用戶為公司內(nèi)部的PM和運(yùn)營人員。普通的BI類報(bào)表系 統(tǒng)，只能夠提供對聚合后的指標(biāo)進(jìn)行查詢，比如PV、UV等相關(guān)指標(biāo)。但是PM以及運(yùn)營人員除了查看一些聚合指標(biāo)以外，還需要根據(jù)自己的需求去分析某一類用 戶的流量數(shù)據(jù)，進(jìn)而了解各種用戶群體在App上的行為軌跡。根據(jù)這些數(shù)據(jù)，PM可以優(yōu)化產(chǎn)品設(shè)計(jì)，運(yùn)營人員可以為自己的運(yùn)營工作提供數(shù)據(jù)支持，用戶核心的 幾個(gè)訴求包括：
要解決上面的幾個(gè)問題，技術(shù)人員需要解決以下兩個(gè)核心問題：
要解決上面兩個(gè)問題，目前可供選擇的技術(shù)主要有兩種：MapReduce和Spark。在初期架構(gòu)中選擇了使用MapReduce這種較為成熟的技 術(shù)，但是通過測試發(fā)現(xiàn)，基于MapReduce開發(fā)的復(fù)雜分析任務(wù)需要數(shù)小時(shí)才能完成，這會(huì)造成極差的用戶體驗(yàn)，用戶無法接受。
因此我們嘗試使用Spark這種內(nèi)存式的快速大數(shù)據(jù)計(jì)算引擎作為系統(tǒng)架構(gòu)中的核心部分，主要使用了Spark Core以及Spark SQL兩個(gè)組件，來實(shí)現(xiàn)各種復(fù)雜的業(yè)務(wù)邏輯。實(shí)踐中發(fā)現(xiàn)，雖然Spark的性能非常優(yōu)秀，但是在目前的發(fā)展階段中，還是或多或少會(huì)有一些性能以及OOM方 面的問題。因此在項(xiàng)目的開發(fā)過程中，對大量Spark作業(yè)進(jìn)行了各種各樣的性能調(diào)優(yōu)，包括算子調(diào)優(yōu)、參數(shù)調(diào)優(yōu)、shuffle調(diào)優(yōu)以及數(shù)據(jù)傾斜調(diào)優(yōu)等，最 終實(shí)現(xiàn)了所有Spark作業(yè)的執(zhí)行時(shí)間都在數(shù)分鐘左右。并且在實(shí)踐中解決了一些shuffle以及數(shù)據(jù)傾斜導(dǎo)致的OOM問題，保證了系統(tǒng)的穩(wěn)定性。
結(jié)合上述分析，最終的系統(tǒng)架構(gòu)與工作流程如下所示：
該系統(tǒng)上線后效果良好：90%的Spark作業(yè)運(yùn)行時(shí)間都在5分鐘以內(nèi)，剩下10%的Spark作業(yè)運(yùn)行時(shí)間在30分鐘左右，該速度足以快速響應(yīng)用 戶的分析需求。通過反饋來看，用戶體驗(yàn)非常良好。目前每個(gè)月該系統(tǒng)都要執(zhí)行數(shù)百個(gè)用戶行為分析任務(wù)，有效并且快速地支持了PM和運(yùn)營人員的各種分析需求。
Spark在SEM投放服務(wù)中的應(yīng)用
流量技術(shù)組負(fù)責(zé)著美團(tuán)站外廣告的投放技術(shù)，目前在SEM、SEO、DSP等多種業(yè)務(wù)中大量使用了Spark平臺(tái)，包括離線挖掘、模型訓(xùn)練、流數(shù)據(jù)處 理等。美團(tuán)SEM（搜索引擎營銷）投放著上億的關(guān)鍵詞，一個(gè)關(guān)鍵詞從被挖掘策略發(fā)現(xiàn)開始，就踏上了精彩的SEM之旅。它經(jīng)過預(yù)估模型的篩選，投放到各大搜 索引擎，可能因?yàn)槭袌龈偁庮l繁調(diào)價(jià)，也可能因?yàn)樾Ч患驯黄认戮€。而這樣的旅行，在美團(tuán)每分鐘都在發(fā)生。如此大規(guī)模的隨機(jī)"遷徙"能夠順利進(jìn) 行，Spark功不可沒。
Spark不止用于美團(tuán)SEM的關(guān)鍵詞挖掘、預(yù)估模型訓(xùn)練、投放效果統(tǒng)計(jì)等大家能想到的場景，還罕見地用于關(guān)鍵詞的投放服務(wù)，這也是本段介紹的重點(diǎn)。一個(gè)快速穩(wěn)定的投放系統(tǒng)是精準(zhǔn)營銷的基礎(chǔ)。
美團(tuán)早期的SEM投放服務(wù)采用的是單機(jī)版架構(gòu)，隨著關(guān)鍵詞數(shù)量的極速增長，舊有服務(wù)存在的問題逐漸暴露。受限于各大搜索引擎API的配額（請求頻 次）、賬戶結(jié)構(gòu)等規(guī)則，投放服務(wù)只負(fù)責(zé)處理API請求是遠(yuǎn)遠(yuǎn)不夠的，還需要處理大量業(yè)務(wù)邏輯。單機(jī)程序在小數(shù)據(jù)量的情況下還能通過多進(jìn)程勉強(qiáng)應(yīng)對，但對于 如此大規(guī)模的投放需求，就很難做到"兼顧全局"了。
新版SEM投放服務(wù)在15年Q2上線，內(nèi)部開發(fā)代號為Medusa。在Spark平臺(tái)上搭建的Medusa，全面發(fā)揮了Spark大數(shù)據(jù)處理的優(yōu)勢，提供了高性能高可用的分布式SEM投放服務(wù)，具有以下幾個(gè)特性：
結(jié)論和展望
本文我們介紹了美團(tuán)引入Spark的起源，基于Spark所做的一些平臺(tái)化工作，以及Spark在美團(tuán)具體應(yīng)用場景下的實(shí)踐。總體而言，Spark 由于其靈活的編程接口、高效的內(nèi)存計(jì)算，能夠適用于大部分?jǐn)?shù)據(jù)處理場景。在推廣和使用Spark的過程中，我們踩過不少坑，也遇到過很多問題，但填坑和解 決問題的過程，讓我們對Spark有了更深入的理解，我們也期待著Spark在更多的應(yīng)用場景中發(fā)揮重要的作用。
總結(jié)
以上是生活随笔為你收集整理的Spark in meituan http://tech.meituan.com/spark-in-meituan.html的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 虚拟存储器i
- 下一篇： 使用Advanced Installer