Apache Spark提供的兩種基于命令行的處理交互方式雖然足夠靈活，但在企業(yè)應(yīng)用中面臨諸如部署、安全等問(wèn)題。為此本文引入Livy這樣一個(gè)基于Apache Spark的REST服務(wù)，它不僅以REST的方式代替了Spark傳統(tǒng)的處理交互方式，同時(shí)也提供企業(yè)應(yīng)用中不可忽視的多用戶，安全，以及容錯(cuò)的支持。
背景
Apache Spark作為當(dāng)前最為流行的開(kāi)源大數(shù)據(jù)計(jì)算框架，廣泛應(yīng)用于數(shù)據(jù)處理和分析應(yīng)用，它提供了兩種方式來(lái)處理數(shù)據(jù)：一是交互式處理，比如用戶使用spark-shell或是pyspark腳本啟動(dòng)Spark應(yīng)用程序，伴隨應(yīng)用程序啟動(dòng)的同時(shí)Spark會(huì)在當(dāng)前終端啟動(dòng)REPL（Read–Eval–Print Loop）來(lái)接收用戶的代碼輸入，并將其編譯成Spark作業(yè)提交到集群上去執(zhí)行；二是批處理，批處理的程序邏輯由用戶實(shí)現(xiàn)并編譯打包成jar包，spark-submit腳本啟動(dòng)Spark應(yīng)用程序來(lái)執(zhí)行用戶所編寫的邏輯，與交互式處理不同的是批處理程序在執(zhí)行過(guò)程中用戶沒(méi)有與Spark進(jìn)行任何的交互。
兩種處理交互方式雖然看起來(lái)完全不一樣，但是都需要用戶登錄到Gateway節(jié)點(diǎn)上通過(guò)腳本啟動(dòng)Spark進(jìn)程。這樣的方式會(huì)有什么問(wèn)題嗎？
1.首先將資源的使用和故障發(fā)生的可能性集中到了這些Gateway節(jié)點(diǎn)。由于所有的Spark進(jìn)程都是在Gateway節(jié)點(diǎn)上啟動(dòng)的，這勢(shì)必會(huì)增加Gateway節(jié)點(diǎn)的資源使用負(fù)擔(dān)和故障發(fā)生的可能性，同時(shí)Gateway節(jié)點(diǎn)的故障會(huì)帶來(lái)單點(diǎn)問(wèn)題，造成Spark程序的失敗。
2.其次難以管理、審計(jì)以及與已有的權(quán)限管理工具的集成。由于Spark采用腳本的方式啟動(dòng)應(yīng)用程序，因此相比于Web方式少了許多管理、審計(jì)的便利性，同時(shí)也難以與已有的工具結(jié)合，如Apache Knox。
3.同時(shí)也將Gateway節(jié)點(diǎn)上的部署細(xì)節(jié)以及配置不可避免地暴露給了登陸用戶。
為了避免上述這些問(wèn)題，同時(shí)提供原生Spark已有的處理交互方式，并且為Spark帶來(lái)其所缺乏的企業(yè)級(jí)管理、部署和審計(jì)功能，本文將介紹一個(gè)新的基于Spark的REST服務(wù)：Livy。
Livy
Livy是一個(gè)基于Spark的開(kāi)源REST服務(wù)，它能夠通過(guò)REST的方式將代碼片段或是序列化的二進(jìn)制代碼提交到Spark集群中去執(zhí)行。它提供了以下這些基本功能：
1.提交Scala、Python或是R代碼片段到遠(yuǎn)端的Spark集群上執(zhí)行；
2.提交Java、Scala、Python所編寫的Spark作業(yè)到遠(yuǎn)端的Spark集群上執(zhí)行；
3.提交批處理應(yīng)用在集群中運(yùn)行。
從Livy所提供的基本功能可以看到Livy涵蓋了原生Spark所提供的兩種處理交互方式。與原生Spark不同的是，所有操作都是通過(guò)REST的方式提交到Livy服務(wù)端上，再由Livy服務(wù)端發(fā)送到不同的Spark集群上去執(zhí)行。說(shuō)到這里我們首先來(lái)了解一下Livy的架構(gòu)。
Livy的基本架構(gòu)
Livy是一個(gè)典型的REST服務(wù)架構(gòu)，它一方面接受并解析用戶的REST請(qǐng)求，轉(zhuǎn)換成相應(yīng)的操作；另一方面它管理著用戶所啟動(dòng)的所有Spark集群。具體架構(gòu)可見(jiàn)圖1。
圖1 Livy的基本架構(gòu)
用戶可以以REST請(qǐng)求的方式通過(guò)Livy啟動(dòng)一個(gè)新的Spark集群，Livy將每一個(gè)啟動(dòng)的Spark集群稱之為一個(gè)會(huì)話（session），一個(gè)會(huì)話是由一個(gè)完整的Spark集群所構(gòu)成的，并且通過(guò)RPC協(xié)議在Spark集群和Livy服務(wù)端之間進(jìn)行通信。根據(jù)處理交互方式的不同，Livy將會(huì)話分成了兩種類型：
1.交互式會(huì)話（interactive session），這與Spark中的交互式處理相同，交互式會(huì)話在其啟動(dòng)后可以接收用戶所提交的代碼片段，在遠(yuǎn)端的Spark集群上編譯并執(zhí)行；
2.批處理會(huì)話（batch session），用戶可以通過(guò)Livy以批處理的方式啟動(dòng)Spark應(yīng)用，這樣的一個(gè)方式在Livy中稱之為批處理會(huì)話，這與Spark中的批處理是相同的。
可以看到，Livy所提供的核心功能與原生Spark是相同的，它提供了兩種不同的會(huì)話類型來(lái)代替Spark中兩類不同的處理交互方式。接下來(lái)我們具體了解一下這兩種類型的會(huì)話。
交互式會(huì)話（Interactive Session）
使用交互式會(huì)話與使用Spark所自帶的spark-shell、pyspark或sparkR相類似，它們都是由用戶提交代碼片段給REPL，由REPL來(lái)編譯成Spark作業(yè)并執(zhí)行。它們的主要不同點(diǎn)是spark-shell會(huì)在當(dāng)前節(jié)點(diǎn)上啟動(dòng)REPL來(lái)接收用戶的輸入，而Livy交互式會(huì)話則是在遠(yuǎn)端的Spark集群中啟動(dòng)REPL，所有的代碼、數(shù)據(jù)都需要通過(guò)網(wǎng)絡(luò)來(lái)傳輸。
我們接下來(lái)看看如何使用交互式會(huì)話。
創(chuàng)建交互式會(huì)話
POST /sessions
使用交互式會(huì)話的前提是需要先創(chuàng)建會(huì)話。當(dāng)我們提交請(qǐng)求創(chuàng)建交互式會(huì)話時(shí)，我們需要指定會(huì)話的類型（“kind”），比如“spark”，Livy會(huì)根據(jù)我們所指定的類型來(lái)啟動(dòng)相應(yīng)的REPL，當(dāng)前Livy可支持spark、pyspark或是sparkr三種不同的交互式會(huì)話類型以滿足不同語(yǔ)言的需求。
當(dāng)創(chuàng)建完會(huì)話后，Livy會(huì)返回給我們一個(gè)JSON格式的數(shù)據(jù)結(jié)構(gòu)表示當(dāng)前會(huì)話的所有信息：
其中需要我們關(guān)注的是會(huì)話id，id代表了此會(huì)話，所有基于該會(huì)話的操作都需要指明其id。
提交代碼
POST /sessions/{sessionId}/statements
創(chuàng)建完交互式會(huì)話后我們就可以提交代碼到該會(huì)話上去執(zhí)行。與創(chuàng)建會(huì)話相同的是，提交代碼同樣會(huì)返回給我們一個(gè)id用來(lái)標(biāo)識(shí)該次請(qǐng)求，我們可以用id來(lái)查詢?cè)摱未a執(zhí)行的結(jié)果。
查詢執(zhí)行結(jié)果
GET /sessions/{sessionId}/statements/{statementId}
Livy的REST API設(shè)計(jì)為非阻塞的方式，當(dāng)提交代碼請(qǐng)求后Livy會(huì)立即返回該請(qǐng)求id而并非阻塞在該次請(qǐng)求上直到執(zhí)行完成，因此用戶可以使用該id來(lái)反復(fù)輪詢結(jié)果，當(dāng)然只有當(dāng)該段代碼執(zhí)行完畢后用戶的查詢請(qǐng)求才能得到正確結(jié)果。
當(dāng)然Livy交互式會(huì)話還提供許多不同的REST API來(lái)操作會(huì)話和代碼，在這就不一一贅述了。
使用編程API
在交互式會(huì)話模式中，Livy不僅可以接收用戶提交的代碼，而且還可以接收序列化的Spark作業(yè)。為此Livy提供了一套編程式的API供用戶使用，用戶可以像使用原生Spark API那樣使用Livy提供的API編寫Spark作業(yè)，Livy會(huì)將用戶編寫的Spark作業(yè)序列化并發(fā)送到遠(yuǎn)端Spark集群中執(zhí)行。表1就是使用Spark API所編寫PI程序與使用Livy API所編寫的程序的比較。
表1 使用Spark API所編寫PI程序與使用Livy API所編寫程序的比較
可以看到除了入口函數(shù)不同，其核心邏輯完全一致，因此用戶可以很方便地將已有的Spark作業(yè)遷移到Livy上。
Livy交互式會(huì)話是Spark交互式處理基于HTTP的實(shí)現(xiàn)。有了Livy的交互式會(huì)話，用戶無(wú)需登錄到Gateway節(jié)點(diǎn)上去啟動(dòng)Spark進(jìn)程并執(zhí)行代碼。以REST的方式進(jìn)行交互式處理提供給用戶豐富的選擇，也方便了用戶的使用，更為重要的是它方便了運(yùn)維的管理。
批處理會(huì)話（Batch Session）
在Spark應(yīng)用中有一大類應(yīng)用是批處理應(yīng)用，這些應(yīng)用在運(yùn)行期間無(wú)須與用戶進(jìn)行交互，最典型的就是Spark Streaming流式應(yīng)用。用戶會(huì)將業(yè)務(wù)邏輯編譯打包成jar包，并通過(guò)spark-submit啟動(dòng)Spark集群來(lái)執(zhí)行業(yè)務(wù)邏輯：
Livy也為用戶帶來(lái)相同的功能，用戶可以通過(guò)REST的方式來(lái)創(chuàng)建批處理應(yīng)用：
通過(guò)用戶所指定的“className”和“file”，Livy會(huì)啟動(dòng)Spark集群來(lái)運(yùn)行該應(yīng)用，這樣的一種方式就稱為批處理會(huì)話。
至此我們簡(jiǎn)單介紹了Livy的兩種會(huì)話類型，與它相對(duì)應(yīng)的就是Spark的兩種處理交互方式，因此可以說(shuō)Livy以REST的方式提供了Spark所擁有的兩種交互處理方式。
企業(yè)級(jí)特性
前面我們介紹了Livy的核心功能，相比于核心功能的完整性，Livy的企業(yè)級(jí)特性則更體現(xiàn)了其相比于原生Spark處理交互方式的優(yōu)勢(shì)。本章節(jié)將介紹Livy幾個(gè)關(guān)鍵的企業(yè)特性。
多用戶支持
假定用戶tom向Livy服務(wù)端發(fā)起REST請(qǐng)求啟動(dòng)一個(gè)新的會(huì)話，而Livy服務(wù)端則是由用戶livy啟動(dòng)的，這個(gè)時(shí)候所創(chuàng)建出來(lái)Spark集群用戶是誰(shuí)呢，會(huì)是用戶tom還是livy？在默認(rèn)情況下這個(gè)Spark集群的用戶是livy。這會(huì)帶來(lái)訪問(wèn)權(quán)限的問(wèn)題：用戶tom無(wú)法訪問(wèn)其擁有權(quán)限的資源，而相對(duì)的是他卻可以訪問(wèn)用戶livy所擁有的資源。
為了解決這個(gè)問(wèn)題Livy引入了Hadoop中的代理用戶（proxy user）模式，代理用戶模式廣泛使用于多用戶的環(huán)境，如HiveServer2。在此模式中超級(jí)用戶可以代理成普通用戶去訪問(wèn)資源，并擁有普通用戶相應(yīng)的權(quán)限。開(kāi)啟了代理用戶模式后，以用戶tom所創(chuàng)建的會(huì)話所啟動(dòng)的Spark集群用戶就會(huì)是tom。
圖2 Livy多用戶支持
為了使用此功能用戶需要配置“livy.impersonation.enabled”，同時(shí)需要在Hadoop中將Livy服務(wù)端進(jìn)程的用戶配置為Hadoop proxyuser 。當(dāng)然還會(huì)有一些Livy的額外配置就不在這展開(kāi)了。
有了代理用戶模式的支持，Livy就能真正做到對(duì)多用戶的支持，不同用戶啟動(dòng)的會(huì)話會(huì)以相應(yīng)的用戶去訪問(wèn)資源。
端到端安全
在企業(yè)應(yīng)用中另一個(gè)非常關(guān)鍵的特性是安全性。一個(gè)完整的Livy服務(wù)中有哪些點(diǎn)是要有安全考慮的呢？
客戶端認(rèn)證
當(dāng)用戶tom發(fā)起REST請(qǐng)求訪問(wèn)Livy服務(wù)端的時(shí)候，我們?nèi)绾沃涝撚脩羰呛戏ㄓ脩裟兀縇ivy采用了基于Kerberos的Spnego認(rèn)證。在Livy服務(wù)端配置Spnego認(rèn)證后，用戶發(fā)起Http請(qǐng)求之前必須先獲得Kerberos認(rèn)證，只有通過(guò)認(rèn)證后才能正確訪問(wèn)Livy服務(wù)端，不然的話Livy服務(wù)端會(huì)返回401錯(cuò)誤。
HTTPS/SSL
那么如何保證客戶端與Livy服務(wù)端之間HTTP傳輸?shù)陌踩阅兀縇ivy使用了標(biāo)準(zhǔn)的SSL來(lái)加密HTTP協(xié)議，以確保傳輸?shù)腍ttp報(bào)文的安全。為此用戶需要配置Livy服務(wù)端SSL相關(guān)的配置已開(kāi)啟此功能。
SASL RPC
除了客戶端和Livy服務(wù)端之間的通信，Livy服務(wù)端和Spark集群之間也存在著網(wǎng)絡(luò)通信，如何確保這兩者之間的通信安全性也是需要考慮的。Livy采用了基于SASL認(rèn)證的RPC通信機(jī)制：當(dāng)Livy服務(wù)端啟動(dòng)Spark集群時(shí)會(huì)產(chǎn)生一個(gè)隨機(jī)字符串用作兩者之間認(rèn)證的秘鑰，只有Livy服務(wù)端和該Spark集群之間才有相同的秘鑰，這樣就保證了只有Livy服務(wù)端才能和該Spark集群進(jìn)行通信，防止匿名的連接試圖與Spark集群通信。
將上述三種安全機(jī)制歸結(jié)起來(lái)就如圖3所示。
圖3 Livy端到端安全機(jī)制
這樣構(gòu)成了Livy完整的端到端的安全機(jī)制，確保沒(méi)有經(jīng)過(guò)認(rèn)證的用戶，匿名的連接無(wú)法與Livy服務(wù)中的任何一個(gè)環(huán)節(jié)進(jìn)行通信。
失敗恢復(fù)
由于Livy服務(wù)端是單點(diǎn)，所有的操作都需要通過(guò)Livy轉(zhuǎn)發(fā)到Spark集群中，如何確保Livy服務(wù)端失效的時(shí)候已創(chuàng)建的所有會(huì)話不受影響，同時(shí)Livy服務(wù)端恢復(fù)過(guò)來(lái)后能夠與已有的會(huì)話重新連接以繼續(xù)使用？
Livy提供了失敗恢復(fù)的機(jī)制，當(dāng)用戶啟動(dòng)會(huì)話的同時(shí)Livy會(huì)在可靠的存儲(chǔ)上記錄會(huì)話相關(guān)的元信息，一旦Livy從失敗中恢復(fù)過(guò)來(lái)它會(huì)試圖讀取相關(guān)的元信息并與Spark集群重新連接。為了使用該特性我們需要配置Livy使其開(kāi)啟此功能：
失敗恢復(fù)能夠有效地避免因Livy服務(wù)端單點(diǎn)故障造成的所有會(huì)話的不可用，同時(shí)也避免了因Livy服務(wù)端重啟而造成的會(huì)話不必要失效。
總結(jié)
本文從Spark處理交互方式的局限引出了Livy這樣一個(gè)基于Spark的REST服務(wù)。同時(shí)全面介紹了其基本架構(gòu)、核心功能以及企業(yè)級(jí)特性，Livy不僅涵蓋了Spark所提供了所有處理交互方式，同時(shí)又結(jié)合了多種的企業(yè)級(jí)特性，雖然Livy項(xiàng)目現(xiàn)在還處于早期，許多的功能有待增加和改進(jìn)，我相信假以時(shí)日Livy必定能成為一個(gè)優(yōu)秀的基于Spark的REST服務(wù)。
【本文為《程序員》原創(chuàng)文章】
閱讀排行榜
