【原】Learning Spark (Python版) 学习笔记(四)----Spark Sreaming与MLlib机器学习

　　本来这篇是准备5.15更的，但是上周一直在忙签证和工作的事，没时间就推迟了，现在终于有时间来写写Learning Spark最后一部分内容了。

　　第10-11 章主要讲的是Spark Streaming 和MLlib方面的内容。我们知道Spark在离线处理数据上的性能很好，那么它在实时数据上的表现怎么样呢？在实际生产中，我们经常需要即使处理收到的数据，比如实时机器学习模型的应用，自动异常的检测，实时追踪页面访问统计的应用等。Spark Streaming可以很好的解决上述类似的问题。

了解Spark Streaming ，只需要掌握以下几点即可：

• DStream
  • 概念：离散化流（discretized stream），是随时间推移的数据。由每个时间区间的RDD组成的序列。DStream可以从Flume、Kafka或者HDFS等多个输入源创建。
  • 操作：转换和输出，支持RDD相关的操作，增加了“滑动窗口”等于时间相关的操作。

下面以一张图来说明Spark Streaming的工作流程：

　　从上图中也可以看到，Spark Streaming把流式计算当做一系列连续的小规模批处理来对待。它从各种输入源读取数据，并把数据分组为小的批次，新的批次按均匀的时间间隔创建出来。在每个时间区间开始的时候，一个新的批次就创建出来，在该区间内收到的数据都会被添加到这个批次中去。在时间区间结束时，批次停止增长。

　　转化操作

• 无状态转化操作：把简单的RDDtransformation分别应用到每个批次上，每个批次的处理不依赖于之前的批次的数据。包括map()、filter()、reduceBykey()等。
• 有状态转化操作：需要使用之前批次的数据或者中间结果来计算当前批次的数据。包括基于滑动窗口的转化操作，和追踪状态变化的转化操作（updateStateByKey()）

　　无状态转化操作

　　有状态转化操作

　　Windows机制（一图盛千言）

上图应该很容易看懂，下面举个实例（JAVA写的）：

　　

　　UpdateStateByKey()转化操作

　　主要用于访问状态变量，用于键值对形式的DStream。首先会给定一个由(键，事件)对构成的DStream，并传递一个指定如何个人剧新的事件更新每个键对应状态的函数，它可以构建出一个新的DStream，为（键，状态）。通俗点说，加入我们想知道一个用户最近访问的10个页面是什么，可以把键设置为用户ID，然后UpdateStateByKey()就可以跟踪每个用户最近访问的10个页面，这个列表就是“状态”对象。具体的要怎么操作呢，UpdateStateByKey()提供了一个update（events，oldState）函数，用于接收与某键相关的时间以及该键之前对应的状态，然后返回这个键对应的新状态。

• events：是在当前批次中收到的时间列表()可能为空。
• oldState：是一个可选的状态对象，存放在Option内；如果一个键没有之前的状态，可以为空。
• newState：由函数返回，也以Option形式存在。如果返回一个空的Option，表示想要删除该状态。

　　UpdateStateByKey()的结果是一个新的DStream，内部的RDD序列由每个时间区间对应的（键，状态）对组成。

　　接下来讲一下输入源

• 核心数据源：文件流，包括文本格式和任意hadoop的输入格式
• 附加数据源：kafka和flume比较常用，下面会讲一下kafka的输入
• 多数据源与集群规模

Kafka的具体操作如下：

基于MLlib的机器学习

　　一般我们常用的算法都是单机跑的，但是想要在集群上运行，不能把这些算法直接拿过来用。一是数据格式不同，单机上我们一般是离散型或者连续型的数据，数据类型一般为array、list、dataframe比较多，以txt、csv等格式存储，但是在spark上，数据是以RDD的形式存在的，如何把ndarray等转化为RDD是一个问题；此外，就算我们把数据转化成RDD格式，算法也会不一样。举个例子，你现在有一堆数据，存储为RDD格式，然后设置了分区，每个分区存储一些数据准备来跑算法，可以把每个分区看做是一个单机跑的程序，但是所有分区跑完以后呢？怎么把结果综合起来？直接求平均值？还是别的方式？所以说，在集群上跑的算法必须是专门写的分布式算法。而且有些算法是不能分布式的跑。Mllib中也只包含能够在集群上运行良好的并行算法。

MLlib的数据类型

• Vector：向量（mllib.linalg.Vectors）支持dense和sparse（稠密向量和稀疏向量）。区别在与前者的没一个数值都会存储下来，后者只存储非零数值以节约空间。
• LabeledPoint:（mllib.regression）表示带标签的数据点，包含一个特征向量与一个标签,注意，标签要转化成浮点型的，通过StringIndexer转化。
• Rating:(mllib.recommendation)，用户对一个产品的评分，用于产品推荐
• 各种Model类：每个Model都是训练算法的结果，一般都有一个predict()方法可以用来对新的数据点或者数据点组成的RDD应用该模型进行预测

　　

　　一般来说，大多数算法直接操作由Vector、LabledPoint或Rating组成的RDD，通常我们从外部数据读取数据后需要进行转化操作构建RDD。具体的聚类和分类算法原理不多讲了，可以自己去看MLlib的在线文档里去看。下面举个实例----垃圾邮件分类的运行过程：

步骤：

1.将数据转化为字符串RDD

2.特征提取，把文本数据转化为数值特征，返回一个向量RDD

3.在训练集上跑模型，用分类算法

4.在测试系上评估效果

具体代码：

 from pyspark.mllib.regression import LabeledPoint
 from pyspark.mllib.feature import HashingTF
 from pyspark.mllib.calssification import LogisticRegressionWithSGD

 spam = sc.textFile("spam.txt")
 normal = sc.textFile("normal.txt")

 #创建一个HashingTF实例来把邮件文本映射为包含10000个特征的向量
 tf = HashingTF(numFeatures = 10000)
 #各邮件都被切分为单词，每个单词背映射为一个特征
 spamFeatures = spam.map(lambda email: tf.transform(email.split(" ")))
 normalFeatures = normal.map(lambda email: tf.transform(email.split(" ")))

 #创建LabeledPoint数据集分别存放阳性（垃圾邮件）和阴性（正常邮件）的例子
 positiveExamples = spamFeatures.map(lambda features: LabeledPoint(1,features))
 negativeExamples = normalFeatures.map(lambda features: LabeledPoint(0,features))
 trainingData = positiveExamples.union(negativeExamples)
 trainingData.cache#因为逻辑回归是迭代算法，所以缓存数据RDD

 #使用SGD算法运行逻辑回归
 model = LogisticRegressionWithSGD.train(trainingData)

 #以阳性（垃圾邮件）和阴性（正常邮件）的例子分别进行测试
 posTest = tf.transform("O M G GET cheap stuff by sending money to...".split(" "))
 negTest = tf.transform("Hi Dad, I stared studying Spark the other ...".split(" "))
 print "Prediction for positive test examples: %g" %model.predict(posTest)
 print "Prediction for negative test examples: %g" %model.predict(negTest)

　　

　　这个例子很简单，讲的也很有限，建议大家根据自己的需求，直接看MLlib的官方文档，关于聚类，分类讲的都很详细。

注：图片参考同事的PPT讲义^_^，已授权哈哈