Apache Spark 3.0 R 的向量化 IO

文章目录

1 Spark 和 R 交互
2 原始实现（Native implementation）
3 向量化执行（Vectorized implementation）
4 基准测试结果

R 是数据科学中最流行的计算机语言之一，专门用于统计分析和一些扩展，如用于数据处理和机器学习任务的 RStudio addins 和其他 R 包。此外，它使数据科学家能够轻松地可视化他们的数据集。

通过在 Apache Spark 中使用 SparkR，可以很容易地扩展 R 代码。要交互式地运行作业，可以通过运行 R shell 轻松地在分布式集群中运行 R 的作业。

当 SparkR 不需要与 R 进程交互时，其性能实际上与 Scala、Java 和 Python 等其他语言 API 相同。但是，当 SparkR 作业与本机 R 函数或数据类型交互时，会性能显著下降。

如果在 Spark 和 R 之间使用 Apache Arrow 来进行数据交换，其性能会有很大的提升。这篇博客文章概述了 SparkR 中 Spark 和 R 的交互，并对比了没有向量化执行和有向量化执行的性能差异。

Spark 和 R 交互

SparkR 不仅支持丰富的 ML 和类似 SQL 的 API 集合，而且还支持用于直接与 R 代码进行交互的一组 API。例如，Spark DataFrame 和 R DataFrame 之间的无缝转换以及在 Spark DataFrame 上以分布式的方式执行 R 内置函数。

在大多数情况下，Spark 中的其他语言 API 之间的性能实际上是一致的——例如，当用户代码依赖于 Spark UDF 或者 SQL API 时，执行过程完全在 JVM 中进行， I/O 方面没有任何性能损失。比如下面的两种调用时间都只需要一秒：

// Scala API
// ~1 second
sql("SELECT id FROM range(2000000000)").filter("id > 10").count()

# R API
# ~1 second
count(filter(sql("SELECT * FROM range(2000000000)"), "id > 10"))

但是，在需要执行 R 的内置函数或将其从 R 内置类型转换到其他语言类型的情况下，其性能将有很大不同，如下所示。

// Scala API
val ds = (1L to 100000L).toDS
// ~1 second
ds.mapPartitions(iter => iter.filter(_ < 50000)).count()

# R API
df <- createDataFrame(lapply(seq(100000), function (e) list(value=e)))
# ~15 seconds - 15 times slower
count(dapply(
df, function(x) as.data.frame(x[x$value < 50000,]), schema(df)))

上面其实仅仅是对每个分区中过滤出小于 50000 的数据，然后对其进行 count 操作，但是 SparkR 却比 Scala 编写的代码慢 15 倍！

// Scala API
// ~0.2 seconds
val df = sql("SELECT * FROM range(1000000)").collect()

# R API
# ~8 seconds - 40 times slower
df <- collect(sql("SELECT * FROM range(1000000)"))

上面这个例子情况更糟糕，其仅仅是将数据收集到 Driver 端，但是 SparkR 比 Scala 要慢 40 倍！

这是因为上面计算需要与 R 内置函数或数据类型交互的 API ，但是其实现效率不高。在 SparkR 中类似的函数还有六个：

createDataFrame()
collect()
dapply()
dapplyCollect()
gapply()
gapplyCollect()

简单来说，createDataFrame() 和 collect() 需要在 JVM 和 R 之间进行序列化/反序列化，并且对数据进行转换，比如 Java 中的字符串需要转换成 R 中的 character。

原始实现（Native implementation）

Vectorized R I/O in Upcoming Apache Spark 3.0

如果想及时了解Spark、Hadoop或者HBase相关的文章，欢迎关注微信公众号：iteblog_hadoop

上图中 SparkR DataFrame 的计算是分布在 Spark 集群上所有可用的节点上。如果不需要将数据以 R 的 data.frame 进行收集（collect）或不需要执行 R 内置函数，则在 Driver 或 executor 端不需要与 R 进程进行通信。但是当它需要使用 R 的 data.frame 或使用 R 的内置函数时，需要 Driver 或 executor 使用 sockets 使得 JVM 和 R 进行通信。

这需要在 JVM 和 R 直接对交换的数据进行序列化和反序列化操作，而这个操作的编码格式非常低效，完全没有考虑到现代 CPU 的设计，比如 CPU pipelining。

向量化执行（Vectorized implementation）

在 Apache Spark 3.0 中，SparkR 中引入了一种新的向量化（vectorized）实现，它利用 Apache Arrow 直接在 JVM 和 R 之间交换数据，且(反)序列化成本非常小，具体如下：

如果想及时了解Spark、Hadoop或者HBase相关的文章，欢迎关注微信公众号：iteblog_hadoop

新的实现方式并没有在 JVM 和 R 之间使用低效的格式对数据逐行进行（反）序列化，而是利用 Apache Arrow 以高效的列格式进行流水线处理和单指令多数据（SIMD）。

新的矢量化 SparkR API 默认情况下未启用，但可以通过在 Apache Spark 3.0 中将 spark.sql.execution.arrow.sparkr.enabled 设置为 true 来启用。注意，dapplyCollect() 和 gapplyCollect() 矢量化操作尚未实现。建议使用 dapply() 和 gapply() 来替代。