Apache Beam 歷史發(fā)展，10分鐘了解ApacheBeam

在2003年之前，谷歌內(nèi)部還沒有一個成熟的處理框架來處理大規(guī)模數(shù)據(jù)。當(dāng)時，谷歌的搜索業(yè)務(wù)迫使工程師們面對處理大規(guī)模數(shù)據(jù)的應(yīng)用場景，比如計算網(wǎng)站url訪問量和計算網(wǎng)頁倒排索引等等。

那該怎么辦呢?這個答案既簡單又復(fù)雜：自己寫一個。

沒錯，當(dāng)時的工程師需要編寫一個定制的邏輯處理架構(gòu)來處理數(shù)據(jù)。由于需要處理的數(shù)據(jù)量非常大，業(yè)務(wù)邏輯不太可能只在一臺機器上運行。在許多情況下，我們必須在分布式環(huán)境中部署業(yè)務(wù)邏輯。因此，這種定制的邏輯處理架構(gòu)還必須包括容錯系統(tǒng)的設(shè)計。隨著時間的推移，一組邏輯處理架構(gòu)將在谷歌內(nèi)部的不同組之間開發(fā)。由于工程師遇到的許多問題是相似的，因此開發(fā)的邏輯處理體系結(jié)構(gòu)往往是相似的，但在數(shù)據(jù)處理方面存在一些邏輯上的差異。毫無疑問，這已經(jīng)成為一種大家一起重新創(chuàng)造輪子的局面。

這時候，就有工程師想到，能不能改善這一種狀況。MapReduce的架構(gòu)思想也就由此應(yīng)運而生。其實MapReduce的架構(gòu)思想可以從兩個方面來看。一方面，它希望能提供一套簡潔的API來表達工程師數(shù)據(jù)處理的邏輯。另一方面，要在這一套API底層嵌套一套擴展性很強的容錯系統(tǒng)，使得工程師能夠?qū)⑿乃挤旁谶壿嬏幚砩?，而不用過于分心去設(shè)計分布式的容錯系統(tǒng)。這個架構(gòu)思想的結(jié)果你早就已經(jīng)知道了。MapReduce這一套系統(tǒng)在Google獲得了巨大成功。在2004年的時候，Google發(fā)布的一篇名為“MapReduce: Simplified Data Processing on Large Clusters”的論文就是這份成果的總結(jié)。

在MapReduce的計算模型里，它將數(shù)據(jù)的處理抽象成了以下這樣的計算步驟Map：計算模型從輸入源(Input Source)中讀取數(shù)據(jù)集合，這些數(shù)據(jù)在經(jīng)過了用戶所寫的邏輯后生成出一個臨時的鍵值對數(shù)據(jù)集(Key/Value Set)。MapReduce計算模型會將擁有相同鍵(Key)的數(shù)據(jù)集集中起來然后發(fā)送到下一階段。這一步也被稱為Shuffle階段。

很多人都說，這篇MapReduce論文是具有劃時代意義的?？赡阒罏槭裁炊歼@么說嗎?這是因為Map和Reduce這兩種抽象其實可以適用于非常多的應(yīng)用場景，而MapReduce論文里面所闡述的容錯系統(tǒng)，可以讓我們所寫出來的數(shù)據(jù)處理邏輯在分布式環(huán)境下有著很好的可擴展性(Scalability)。

MapReduce在內(nèi)部的成功使得越來越多的工程師希望使用MapReduce來解決自己項目的難題。但是，就如我在模塊一中所說的那樣，使用MapReduce來解決一個工程難題往往會涉及到非常多的步驟，而每次使用MapReduce的時候我們都需要在分布式環(huán)境中啟動機器來完成Map和Reduce步驟，以及啟動Master機器來協(xié)調(diào)這兩個步驟的中間結(jié)果(Intermediate Result)，消耗不少硬件上的資源。這樣就給工程師們帶來了以下一些疑問：問題既然已經(jīng)提出來了，Google的工程師們便開始考慮是否能夠解決上述這些問題。最好能夠讓工程師(無論是新手工程師亦或是經(jīng)驗老到的工程師)都能專注于數(shù)據(jù)邏輯上的處理，而不用花更多時間在測試調(diào)優(yōu)上。FlumeJava就是在這樣的背景下誕生的。

這里，我先將FlumeJava的成果告訴你。因為FlumeJava的思想又在Google內(nèi)容獲得了巨大成功，Google也希望將這個思想分享給業(yè)界。所以在2010年的時候，Google公開了FlumeJava架構(gòu)思想的論文。FlumeJava的思想是將所有的數(shù)據(jù)都抽象成名為PCollection的數(shù)據(jù)結(jié)構(gòu)，無論是從內(nèi)存中讀取的數(shù)據(jù)，還是Reduce：接收從Shuffle階段發(fā)送過來的數(shù)據(jù)集，在經(jīng)過了用戶所寫的邏輯后生成出零個或多個結(jié)果。我們的項目數(shù)據(jù)規(guī)模是否真的需要運用MapReduce來解決呢?是否可以在一臺機器上的內(nèi)存中解決呢?我們所寫的MapReduce項目是否已經(jīng)是最優(yōu)的呢?因為每一個Map和Reduce步驟這些中間結(jié)果都需要寫在磁盤上，會十分耗時。是否有些步驟可以省略或者合并呢?我們是否需要讓工程師投入時間去手動調(diào)試這些MapReduce項目的性能呢?

在分布式環(huán)境下所讀取的文件。這樣的抽象對于測試代碼中的邏輯是十分有好處的。要知道，想測試MapReduce的話，你可能需要讀取測試數(shù)據(jù)集，然后在分布式環(huán)境下運行，來測試代碼邏輯。但如果你有了PCollection這一層抽象的話，你的測試代碼可以在內(nèi)存中讀取數(shù)據(jù)然后跑測試文件，也就是同樣的邏輯既可以在分布式環(huán)境下運行也可以在單機內(nèi)存中運行。

而FlumeJava在MapReduce框架中Map和Reduce思想上，抽象出4個了原始操作(Primitive Operation)，分別是parallelDo、groupByKey、 combineValues和flatten，讓工程師可以利用這4種原始操作來表達任意Map或者Reduce的邏輯。同時，F(xiàn)lumeJava的架構(gòu)運用了一種Deferred Evaluation的技術(shù)，來優(yōu)化我們所寫的代碼。對于Deferred Evaluation，你可以理解為FlumeJava框架會首先會將我們所寫的邏輯代碼靜態(tài)遍歷一次，然后構(gòu)造出一個執(zhí)行計劃的有向無環(huán)圖。這在FlumeJava框架里被稱為Execution Plan Dataflow Graph。有了這個圖之后，F(xiàn)lumeJava框架就會自動幫我們優(yōu)化代碼。例如，合并一些本來可以通過一個Map和Reduce來表達，卻被新手工程師分成多個Map和Reduce的代碼。

FlumeJava框架還可以通過我們的輸入數(shù)據(jù)集規(guī)模，來預(yù)測輸出結(jié)果的規(guī)模，從而自行決定代碼是放在內(nèi)存中跑還是在分布式環(huán)境中跑。

總的來說，F(xiàn)lumeJava是非常成功的。但是，F(xiàn)lumeJava也有一個弊端，那就是FlumeJava基本上只支持批處理(Batch Execution)的任務(wù)，對于無邊界數(shù)據(jù)(Unbounded Data)是不支持的。所以，Google內(nèi)部有著另外一個被稱為Millwheel的項目來支持處理無邊界數(shù)據(jù)，也就是流處理框架。

在2013年的時候，Google也公開了Millwheel思想的論文。這時Google的工程師們回過頭看，感嘆了一下成果，并覺得自己可以再優(yōu)秀一些：既然我們已經(jīng)創(chuàng)造出好幾個優(yōu)秀的大規(guī)模數(shù)據(jù)處理框架了，那我們能不能集合這幾個框架的優(yōu)點，推出一個統(tǒng)一的框架呢?這也成為了Dataflow Model誕生的契機。

在2015年時候，Google公布了Dataflow Model的論文，同時也推出了基于Dataflow Model思想的平臺Cloud Dataflow，讓Google以外的工程師們也能夠利用這些SDK來編寫大規(guī)模數(shù)據(jù)處理的邏輯。講到這么多，你可能會有個疑問了，怎么Apache Beam還沒有出場呢?別著急，Apache Beam的登場契機馬上就到了。

前面我說了，Google基于Dataflow Model的思想推出了Cloud Dataflow云平臺，但那畢竟也需要工程師在Google的云平臺上面運行程序才可以。如果有的工程師希望在別的平臺上面跑該如何解決呢?

所以，為了解決這個問題，Google在2016年的時候聯(lián)合了Talend、Data Artisans、Cloudera這些大數(shù)據(jù)公司，基于Dataflow Model的思想開發(fā)出了一套SDK，并貢獻給了Apache Software Foundation。而它Apache Beam的名字是怎么來的呢?Beam的含義就是統(tǒng)一了批處理和流處理的一個框架。

這就是Apache Beam的發(fā)展歷史，從中你可以看到它擁有很多優(yōu)點，而這也是我們需要Beam的原因。

在現(xiàn)實世界中，很多時候我們不可避免地需要對數(shù)據(jù)同時進行批處理和流處理。Beam提供了一套統(tǒng)一的API來處理這兩種數(shù)據(jù)處理模式，讓我們只需要將注意力專注于在數(shù)據(jù)處理的算法上，而不用再花時間去對兩種數(shù)據(jù)處理模式上的差異進行維護。它能夠?qū)⒐こ處煂懞玫乃惴ㄟ壿嫼芎玫嘏c底層的運行環(huán)境分隔開。也就是說，當(dāng)我們通過Beam提供的API寫好數(shù)據(jù)處理邏輯后，這個邏輯可以不作任何修改，直接放到任何支持Beam API的底層系統(tǒng)上運行。關(guān)于怎么理解這個優(yōu)點，其實我們可以借鑒一下SQL(Structure Query Language)的運行模式。

我們在學(xué)習(xí)SQL語言的時候，基本上都是獨立于底層數(shù)據(jù)庫系統(tǒng)來學(xué)習(xí)的。而在我們寫完一個分析數(shù)據(jù)的Query之后，只要底層數(shù)據(jù)庫的Schema不變，這個Query是可以放在任何數(shù)據(jù)庫系統(tǒng)上運行的，例如放在MySql上或者Oracle DB上。

同樣的，我們用Beam API寫好的數(shù)據(jù)處理邏輯無需改變，可以根據(jù)自身的需求，將邏輯放在Google CloudDataflow上跑，也可以放在Apache Flink上跑。在Beam上，這些底層運行的系統(tǒng)被稱為Runner。現(xiàn)階段Apache Beam支持的Runner有近十種，包括了我們很熟悉的Apache Spark和Apache Flink。

當(dāng)然，最后Apache Beam也希望自己編寫的sdk能夠支持任意數(shù)量的語言。在這個階段，Beam持Java、Python和Golang。換句話說，通過apache beam，我們最終可以使用我們自己的編程語言，通過一組beam模型統(tǒng)一的數(shù)據(jù)處理api，編寫適合您的應(yīng)用程序場景的數(shù)據(jù)處理邏輯，并在您喜歡的運行程序上運行它。

推薦了解：
大數(shù)據(jù)培訓(xùn)課程