Informazioni su Apache Spark in Azure HDInsight

Apache Spark è un framework di elaborazione parallela che supporta l'elaborazione in memoria per migliorare le prestazioni di applicazioni analitiche di Big Data. Apache Spark in Azure HDInsight è l'implementazione Microsoft di Apache Spark nel cloud ed è una delle diverse offerte Spark in Azure.

  • Apache Spark in Azure HDInsight semplifica la creazione e la configurazione dei cluster Spark, consentendo di personalizzare e usare un ambiente Spark completo in Azure.

  • I pool Spark in Azure Synapse Analytics usano pool Spark gestiti per consentire il caricamento, il modello, il modello e la distribuzione dei dati per informazioni analitiche in Azure.

  • Apache Spark in Azure Databricks usa cluster Spark per fornire un'area di lavoro interattiva che consente la collaborazione tra gli utenti per leggere i dati da più origini dati e trasformarla in informazioni dettagliate rivoluzionarie.

  • Le attività Spark in Azure Data Factory consentono di usare l'analisi Spark nella pipeline di dati usando cluster Spark su richiesta o preesistenti.

Con Apache Spark in Azure HDInsight, è possibile archiviare ed elaborare tutti i dati all'interno di Azure. I cluster Spark in HDInsight sono compatibili con l'archiviazione BLOB di Azure, Azure Data Lake Storage Gen1 o Azure Data Lake Storage Gen2, consentendo di applicare l'elaborazione Spark negli archivi dati esistenti.

Spark: a unified framework

Per iniziare a usare Apache Spark in Azure HDInsight, seguire l'esercitazione per creare cluster HDInsight Spark.

Per informazioni su Apache Spark e su come interagisce con Azure, continuare a leggere l'articolo seguente.

Per i componenti e per le informazioni sulle versioni, vedere Componenti e versioni Apache Hadoop in Azure HDInsight.

Che cos'è Apache Spark?

Spark fornisce le primitive per il cluster computing in memoria. Un processo Spark può caricare i dati e memorizzarli nella cache in memoria ed eseguire query su di essi ripetutamente. L'elaborazione in memoria è molto più veloce rispetto alle applicazioni basate su disco, ad esempio Hadoop, che condivide dati tramite HDFS (Hadoop Distributed File System). Spark si integra anche nel linguaggio di programmazione Scala per consentire di modificare set di dati distribuiti come raccolte locali. Non è necessario strutturare tutti gli elementi come operazioni di mapping e riduzione.

Traditional MapReduce vs. Spark

I cluster Spark in HDInsight offrono un servizio Spark completamente gestito. I vantaggi della creazione di un cluster Spark in HDInsight sono elencati qui.

Funzionalità Descrizione
Facilità di creazione È possibile creare un nuovo cluster Spark in HDInsight in pochi minuti usando il portale di Azure, Azure PowerShell o HDInsight .NET SDK. Vedere Introduzione ai cluster Apache Spark in HDInsight.
Semplicità d'uso Il cluster Spark in HDInsight include notebook di Jupyter e di Apache Zeppelin. È possibile usare questi notebook per la visualizzazione e l'elaborazione interattiva di dati. Vedere Usare i notebook di Apache Zeppelin con Apache Spark e Caricare i dati ed eseguire query in un cluster Apache Spark.
API REST I cluster Spark in HDInsight includono Apache Livy, un server dei processi Spark basato sull'API REST per l'invi e il monitoraggio remoto dei processi. Vedere Usare l'API REST di Apache Spark per inviare i processi remoti a un cluster HDInsight Spark.
Supporto per l'archiviazione di Azure I cluster Spark in HDInsight possono usare Azure Data Lake Storage Gen1/Gen2 come risorsa di archiviazione primaria o come spazio di archiviazione aggiuntivo. Per altre informazioni su Data Lake Storage Gen1, vedere Azure Data Lake Storage Gen1. Per altre informazioni su Data Lake Storage Gen2, vedere Azure Data Lake Storage Gen2.
Integrazione con servizi di Azure Il cluster Spark in HDInsight viene fornito con un connettore per Hub eventi di Azure. È possibile compilare applicazioni di streaming tramite Hub eventi. È incluso Apache Kafka, che è già disponibile come parte di Spark.
Integrazione con IDE di terze parti HDInsight fornisce numerosi plugin IDE utili per creare e inviare applicazioni a un cluster HDInsight Spark. Per altre informazioni, vedere Usare Azure Toolkit for IntelliJ IDEA, Usare Spark & Hive Tools for VSCode e Usare Azure Toolkit for Eclipse.
Query simultanee I cluster Spark in HDInsight supportano le query simultanee. Questa funzionalità consente a più query da un utente o da vari utenti e applicazioni di condividere le stesse risorse di cluster.
La memorizzazione nella cache nelle unità SSD È possibile scegliere di memorizzare i dati in memoria o nelle SSD associate ai nodi del cluster. La memorizzazione nella cache in memoria offre le migliori prestazioni di query, ma può essere dispendiosa. La memorizzazione nella cache in unità SSD fornisce un'ottima opzione per migliorare le prestazioni delle query senza la necessità di creare un cluster con le dimensioni necessarie a contenere l'intero set di dati in memoria. Vedere Migliorare le prestazioni dei carichi di lavoro di Apache Spark usando Cache IO Azure HDInsight.
Integrazione con strumenti di Business Intelligence I cluster Spark in HDInsight forniscono connettori per strumenti bi come Power BI per l'analisi dei dati.
Librerie Anaconda precaricate I cluster Spark in HDInsight sono dotati di librerie Anaconda preinstallate. Anaconda offre quasi 200 librerie per il Machine Learning, l'analisi dei dati, la visualizzazione e così via.
Adattabilità HDInsight consente di modificare il numero di nodi del cluster in modo dinamico con la funzionalità di scalabilità automatica. Vedere Ridimensionare automaticamente i cluster Azure HDInsight. Inoltre, i cluster Spark possono essere eliminati senza perdita di dati poiché tutti i dati vengono archiviati nell'archiviazione BLOB di Azure, Azure Data Lake Storage Gen1 o Azure Data Lake Storage Gen2.
Contratto di servizio I cluster Spark in HDInsight includono il supporto continuo 24 ore su 24, 7 giorni su 7 e un Contratto di servizio che garantisce tempi di attività pari al 99,9%.

I cluster Apache Spark in HDInsight includono i componenti seguenti che sono disponibili nei cluster per impostazione predefinita.

HDInsight Spark include un driver ODBC per la connettività di strumenti di business intelligence come Microsoft Power BI.

Architettura del cluster Spark

The architecture of HDInsight Spark

È facile comprendere i componenti di Spark se si comprende come Spark viene eseguito nei cluster HDInsight.

Le applicazioni Spark vengono eseguite come set indipendenti di processi in un cluster, coordinati dall'oggetto SparkContext nel programma principale (denominato programma driver).

SparkContext può connettersi a diversi tipi di gestori di cluster, che forniscono risorse alle applicazioni. Questi gestori di cluster includono Apache Mesos, Apache Hadoop YARN o Spark Cluster Manager. Spark in HDInsight viene eseguito usando lo strumento di gestione cluster YARN. Una volta connesso, Spark acquisisce gli executor nei nodi di lavoro nel cluster, che sono i processi che eseguono calcoli e archiviano i dati per l'applicazione. Successivamente, invia il codice dell'applicazione (definito dai file JAR o Python passati a SparkContext) agli executor. Infine, SparkContext invia le attività agli executor per l'esecuzione.

SparkContext esegue la funzione principale dell'utente e le diverse operazioni parallele nei nodi di lavoro. In seguito, SparkContext raccoglie i risultati delle operazioni. I nodi di lavoro leggono e scrivono i dati da e in Hadoop Distributed File System. I nodi di lavoro memorizzano nella cache i dati trasformati in memoria come oggetti RDD (Resilient Distributed Dataset).

SparkContext si connette al master Spark ed è responsabile della conversione di un'applicazione in un grafo aciclico diretto (DAG) di singole attività. Le attività vengono eseguite all'interno di un processo executor nei nodi di lavoro. Ogni applicazione ottiene i propri processi executor, Che rimangono aggiornati durante l'intera applicazione ed eseguono attività in più thread.

Casi d'uso di Spark in HDInsight

I cluster Spark in HDInsight consentono gli scenari principali seguenti:

Analisi dei dati interattivi e Business Intelligence

Apache Spark in HDInsight archivia i dati in Archiviazione BLOB di Azure, in Azure Data Lake Gen1 o Azure Data Lake Storage Gen2. Gli esperti aziendali e i decision maker possono analizzare e creare report su tali dati, oltra a usare Microsoft Power BI per creare report interattivi dai dati analizzati. Gli analisti possono iniziare a usare dati non strutturati/parzialmente strutturati in una risorsa di archiviazione cluster, definire uno schema per i dati usando notebook e quindi creare modelli di dati usando Microsoft Power BI. I cluster Spark in HDInsight supportano anche molti strumenti di business intelligence di terze parti. ad esempio Tableau, che semplificano le attività di analisti dei dati, esperti aziendali e decision maker.

Machine Learning in Spark

Apache Spark include MLlib, una libreria di Machine Learning basata su Spark che è possibile usare da un cluster Spark in HDInsight. Il cluster Spark in HDInsight include inoltre Anaconda, una distribuzione di Python con diversi tipi di pacchetti per Machine Learning. Aggiungendo il supporto incorporato per notebook Jupyter e Zeppelin si otterrà un ambiente per la creazione di applicazioni di Machine Learning.

Analisi dei dati in tempo reale e streaming in Spark

I cluster Spark in HDInsight offrono un supporto completo per la creazione di soluzioni di analisi in tempo reale. Spark include già i connettori per l'inserimento di dati da molte origini, come Kafka, Flume, Twitter, ZeroMQ o socket TCP. Spark in HDInsight aggiunge il supporto di qualità superiore per l'inserimento di dati da Hub eventi di Azure. Hub eventi è il servizio di accodamento più usato in Azure. La disponibilità del supporto completo per Hub eventi rende i cluster Spark in HDInsight la piattaforma ideale per la compilazione della pipeline di analisi in tempo reale.

Passaggi successivi

Con questa panoramica sono state acquisite conoscenze di base su Apache Spark in Azure HDInsight. È possibile usare gli articoli seguenti per altre informazioni su Apache Spark in HDInsight ed è possibile creare un cluster HDInsight Spark ed eseguire alcune query Spark di esempio: