O que é o Apache Spark no Azure HDInsightWhat is Apache Spark in Azure HDInsight

Apache Spark é uma estrutura de processamento paralelo que dá suporte ao processamento na memória para melhorar o desempenho de aplicativos analíticos de Big Data.Apache Spark is a parallel processing framework that supports in-memory processing to boost the performance of big-data analytic applications. O Apache Spark no Azure HDInsight é a implementação da Microsoft do Apache Spark na cloud.Apache Spark in Azure HDInsight is the Microsoft implementation of Apache Spark in the cloud. O HDInsight permite criar e configurar clusters do Spark mais facilmente na cloud.HDInsight makes it easier to create and configure a Spark cluster in Azure. Os clusters do Spark no HDInsight são compatíveis com o armazenamento do Azure e Azure Data Lake Storage.Spark clusters in HDInsight are compatible with Azure Storage and Azure Data Lake Storage. Por isso, pode utilizá-los para processar os dados armazenados no Azure.So you can use HDInsight Spark clusters to process your data stored in Azure. Para obter os componentes e as informações de controle de versão, consulte Apache Hadoop componentes e versões no Azure HDInsight.For the components and the versioning information, see Apache Hadoop components and versions in Azure HDInsight.

Spark: uma arquitetura unificada

O que é o Apache Spark?What is Apache Spark?

O Spark fornece primitivos para a computação de cluster na memória.Spark provides primitives for in-memory cluster computing. Os trabalhos do Spark podem carregar e colocar os dados em cache na memória e consultá-los repetidamente.A Spark job can load and cache data into memory and query it repeatedly. A computação na memória é muito mais rápida do que aplicativos baseados em disco, como o Hadoop, que compartilha dados por meio do HDFS (sistema de arquivos distribuído Hadoop).In-memory computing is much faster than disk-based applications, such as Hadoop, which shares data through Hadoop distributed file system (HDFS). O Spark também se integra na linguagem de programação Scala, o que lhe possibilita manipular conjuntos de dados distribuídos, como coleções locais.Spark also integrates into the Scala programming language to let you manipulate distributed data sets like local collections. Não é necessário estruturar tudo como operações de mapa e redução.There's no need to structure everything as map and reduce operations.

MapReduce tradicional vs. Spark

Os clusters do Spark no HDInsight oferecem um serviço Spark completamente gerido.Spark clusters in HDInsight offer a fully managed Spark service. Os benefícios da criação de um cluster do Spark no HDInsight estão listados aqui.Benefits of creating a Spark cluster in HDInsight are listed here.

FuncionalidadeFeature DescriçãoDescription
Criação fácilEase creation Pode criar um cluster do Spark novo no HDInsight em apenas alguns minutos com o portal do Azure, o Azure PowerShell ou o SDK .NET do HDInsight.You can create a new Spark cluster in HDInsight in minutes using the Azure portal, Azure PowerShell, or the HDInsight .NET SDK. Consulte Introdução ao cluster apache Spark no HDInsight.See Get started with Apache Spark cluster in HDInsight.
Facilidade de utilizaçãoEase of use O cluster Spark no HDInsight inclui notebooks Jupyter e Apache Zeppelin.Spark cluster in HDInsight include Jupyter and Apache Zeppelin notebooks. Pode utilizar estes blocos de notas para o processamento e a visualização de dados interativos.You can use these notebooks for interactive data processing and visualization.
APIs RESTREST APIs Os clusters do Spark no HDInsight incluem o Apache Livy, um servidor de trabalho do Spark baseado na API REST para enviar e monitorar trabalhos remotamente.Spark clusters in HDInsight include Apache Livy, a REST API-based Spark job server to remotely submit and monitor jobs. Consulte usar Apache Spark API REST para enviar trabalhos remotos para um cluster HDInsight Spark.See Use Apache Spark REST API to submit remote jobs to an HDInsight Spark cluster.
Suporte para Azure Data Lake StorageSupport for Azure Data Lake Storage Os clusters do Spark no HDInsight podem usar Azure Data Lake Storage como armazenamento primário ou armazenamento adicional.Spark clusters in HDInsight can use Azure Data Lake Storage as both the primary storage or additional storage. Para obter mais informações sobre Data Lake Storage, consulte visão geral do Azure data Lake Storage.For more information on Data Lake Storage, see Overview of Azure Data Lake Storage.
Integração com os serviços do AzureIntegration with Azure services O cluster do Spark no HDInsight é fornecido com um conector para os Hubs de Eventos do Azure.Spark cluster in HDInsight comes with a connector to Azure Event Hubs. Você pode criar aplicativos de streaming usando os hubs de eventos, além de Apache Kafka, que já está disponível como parte do Spark.You can build streaming applications using the Event Hubs, in addition to Apache Kafka, which is already available as part of Spark.
Suporte do ML ServerSupport for ML Server O suporte do ML Server no HDInsight é prestado como o tipo de cluster dos Serviços ML.Support for ML Server in HDInsight is provided as the ML Services cluster type. Pode configurar um cluster dos Serviços ML para executar cálculos R distribuídos com as velocidades prometidas com um cluster do Spark.You can set up an ML Services cluster to run distributed R computations with the speeds promised with a Spark cluster. Para obter mais informações, consulte o que são os serviços do ml no Azure HDInsight.For more information, see What is ML Services in Azure HDInsight.
Integração com IDEs de terceirosIntegration with third-party IDEs O HDInsight proporciona vários plug-ins de IDE que são úteis para criar e submeter aplicações para um cluster do Spark no HDInsight.HDInsight provides several IDE plugins that are useful to create and submit applications to an HDInsight Spark cluster. Para obter mais informações, consulte usar Azure Toolkit for INTELLIJ ideia, usar as ferramentas do Spark & Hive para VSCodee usar Azure Toolkit for Eclipse.For more information, see Use Azure Toolkit for IntelliJ IDEA, Use Spark & Hive Tools for VSCode, and Use Azure Toolkit for Eclipse.
Consultas em SimultâneoConcurrent Queries Os clusters do Spark no HDInsight suportam consultas em simultâneo.Spark clusters in HDInsight support concurrent queries. Esta capacidade permite que várias consultas de um utilizador ou várias consultas de vários utilizadores e aplicações partilhem os mesmos recursos de cluster.This capability enables multiple queries from one user or multiple queries from various users and applications to share the same cluster resources.
Colocação em cache em SSDsCaching on SSDs Pode optar por colocar os dados em cache na memória ou em SSDs ligados aos nós do cluster.You can choose to cache data either in memory or in SSDs attached to the cluster nodes. A colocação em cache na memória oferece o melhor desempenho às consultas, mas pode ser dispendiosa.Caching in memory provides the best query performance but could be expensive. A colocação em cache em SSDs é uma excelente opção para melhorar o desempenho das consultas sem que seja necessário criar um cluster com tamanho suficiente para guardar todo o conjunto de dados na memória.Caching in SSDs provides a great option for improving query performance without the need to create a cluster of a size that is required to fit the entire dataset in memory.
Integração com Ferramentas de BIIntegration with BI Tools Os clusters do Spark no HDInsight fornecem conectores para ferramentas de BI, como o Power BI, para análise de dados.Spark clusters in HDInsight provide connectors for BI tools such as Power BI for data analytics.
Bibliotecas Anaconda pré-carregadasPre-loaded Anaconda libraries Os clusters do Spark no HDInsight incluem bibliotecas Anaconda pré-instaladas.Spark clusters in HDInsight come with Anaconda libraries pre-installed. O Anaconda fornece cerca de 200 bibliotecas de Machine Learning, análise de dados, visualização, etc.Anaconda provides close to 200 libraries for machine learning, data analysis, visualization, etc.
EscalabilidadeScalability O HDInsight permite que você altere o número de nós de cluster.HDInsight allows you to change the number of cluster nodes. Além disso, os clusters Spark podem ser descartados sem perda de dados, já que todos os dados são armazenados no armazenamento do Azure ou Data Lake Storage.Also, Spark clusters can be dropped with no loss of data since all the data is stored in Azure Storage or Data Lake Storage.
SLASLA Os clusters do Spark no HDInsight incluem suporte 24 horas por dia, 7 dias por semana e um SLA de 99,9% de tempo ativo.Spark clusters in HDInsight come with 24/7 support and an SLA of 99.9% up-time.

Os clusters Apache Spark no HDInsight incluem os seguintes componentes que estão disponíveis nos clusters por padrão.Apache Spark clusters in HDInsight include the following components that are available on the clusters by default.

Os clusters do Spark no HDInsight também fornecem um controlador ODBC para a conectividade com clusters do Spark no HDInsight a partir de ferramentas de BI, como o Microsoft Power BI.Spark clusters in HDInsight also provide an ODBC driver for connectivity to Spark clusters in HDInsight from BI tools such as Microsoft Power BI.

Arquitetura de cluster do SparkSpark cluster architecture

A arquitetura do Spark no HDInsight

Saber de que forma é que o Spark é executado em clusters do HDInsight permite compreender mais facilmente os respetivos componentes.It is easy to understand the components of Spark by understanding how Spark runs on HDInsight clusters.

As aplicações do Spark são executadas como conjuntos independentes de processos num cluster, coordenados pelo objeto SparkContext no seu programa principal (denominado “programa de controladores”).Spark applications run as independent sets of processes on a cluster, coordinated by the SparkContext object in your main program (called the driver program).

O SparkContext pode ligar-se a vários tipos de gestores de clusters, que alocam recursos transversalmente às aplicações.The SparkContext can connect to several types of cluster managers, which allocate resources across applications. Esses gerenciadores de cluster incluem o Apache mesos, o Apache Hadoop yarnou o Gerenciador de cluster do Spark.These cluster managers include Apache Mesos, Apache Hadoop YARN, or the Spark cluster manager. No HDInsight, o Spark é executado com o gestor de clusters YARN.In HDInsight, Spark runs using the YARN cluster manager. Assim que estiver ligado, o Spark adquire executores nos nós de trabalhado do cluster, que são os processos que executam cálculos e armazenam os dados da sua aplicação.Once connected, Spark acquires executors on workers nodes in the cluster, which are processes that run computations and store data for your application. Em seguida, envia o código da aplicação (definido pelos ficheiros JAR ou Python transmitidos para o SparkContext) aos executores.Next, it sends your application code (defined by JAR or Python files passed to SparkContext) to the executors. Por fim, o SparkContext envia tarefas para os executores executarem.Finally, SparkContext sends tasks to the executors to run.

O SparkContext executa a função principal do utilizador, bem como as diversas operações paralelas nos nós de trabalho.The SparkContext runs the user's main function and executes the various parallel operations on the worker nodes. Em seguida, recolhe os resultados das operações.Then, the SparkContext collects the results of the operations. Os nós de trabalho lêem e gravam dados de e para o sistema de arquivos distribuído Hadoop.The worker nodes read and write data from and to the Hadoop distributed file system. Também colocam em cache os dados transformados na memória como Conjuntos de Dados Distribuídos Resilientes (RDDs).The worker nodes also cache transformed data in-memory as Resilient Distributed Datasets (RDDs).

O SparkContext liga-se ao mestre do Spark e é responsável pela conversão das aplicações em gráficos dirigidos (DAG) de tarefas individuais que são executadas num processo do executor nos nós de trabalho.The SparkContext connects to the Spark master and is responsible for converting an application to a directed graph (DAG) of individual tasks that get executed within an executor process on the worker nodes. Cada aplicação tem os seus próprios processos de executor, que permanecem em funcionamento ao longo da duração de toda a aplicação e executam tarefas em múltiplos threads.Each application gets its own executor processes, which stay up for the duration of the whole application and run tasks in multiple threads.

Casos de utilização do Spark no HDInsightSpark in HDInsight use cases

Os clusters do Spark no HDInsight permitem os cenários-chave seguintes:Spark clusters in HDInsight enable the following key scenarios:

  • Análise de dados interativa e BIInteractive data analysis and BI

    Apache Spark no HDInsight armazena dados no armazenamento do Azure ou Azure Data Lake Storage.Apache Spark in HDInsight stores data in Azure Storage or Azure Data Lake Storage. Os especialistas em negócio e os decisores-chave podem analisar e criar relatórios com base nesses dados e utilizar o Microsoft Power BI para criar relatórios interativos a partir dos dados analisados.Business experts and key decision makers can analyze and build reports over that data and use Microsoft Power BI to build interactive reports from the analyzed data. Os analistas podem partir de dados não estruturados/semiestruturados no armazenamento de clusters, definir um esquema para os dados com os blocos de notas e, em seguida, criar modelos de dados através do Microsoft Power BI.Analysts can start from unstructured/semi structured data in cluster storage, define a schema for the data using notebooks, and then build data models using Microsoft Power BI. Os clusters do Spark no HDInsight também suportam várias ferramentas de BI de terceiros, como o Tableau, o que os torna ideais para analistas de dados, especialistas em negócios e decisores-chave.Spark clusters in HDInsight also support a number of third-party BI tools such as Tableau making it easier for data analysts, business experts, and key decision makers.

    Tutorial: Visualizar dados do Spark usando Power BITutorial: Visualize Spark data using Power BI

  • Spark Machine LearningSpark Machine Learning

    O Apache Spark inclui o MLlib, uma biblioteca de aprendizagem automática baseada no Spark, que pode utilizar a partir de um cluster do Spark no HDInsight.Apache Spark comes with MLlib, a machine learning library built on top of Spark that you can use from a Spark cluster in HDInsight. Além disso, o cluster do Spark no HDInsight também inclui o Anaconda, uma distribuição de Python com vários pacotes de aprendizagem automática.Spark cluster in HDInsight also includes Anaconda, a Python distribution with a variety of packages for machine learning. Associe a isto o suporte incorporado para blocos de notas do Jupyter e do Zeppelin e obtém um ambiente para a criação de aplicações de machine learning.Couple this with a built-in support for Jupyter and Zeppelin notebooks, and you have an environment for creating machine learning applications.

    Tutorial: Prever temperaturas de construção usando dados de HVACTutorial: Predict building temperatures using HVAC data
    Tutorial: Prever resultados da inspeção de alimentosTutorial: Predict food inspection results

  • Análise de dados de transmissão em fluxo e em tempo real do SparkSpark streaming and real-time data analysis

    Os clusters do Spark no HDInsight oferecem um suporte avançado para a criação de soluções de análise em tempo real.Spark clusters in HDInsight offer a rich support for building real-time analytics solutions. Embora o Spark já tenha conectores para ingerir dados de várias fontes, como o Kafka, o Flume, o Twitter, o ZeroMQ ou os sockets de TCP, o Spark no HDInsight acrescenta um suporte de primeira classe para a ingestão de dados a partir de Event Hubs do Azure.While Spark already has connectors to ingest data from many sources like Kafka, Flume, Twitter, ZeroMQ, or TCP sockets, Spark in HDInsight adds first-class support for ingesting data from Azure Event Hubs. Os Hubs de Eventos são o serviço de colocação em fila mais utilizado no Azure.Event Hubs is the most widely used queuing service on Azure. O facto de ter um suporte imediato para os Hubs de Eventos faz com que os clusters do Spark no HDInsight sejam uma plataforma ideal para a criação de pipelines de análise em tempo real.Having an out-of-the-box support for Event Hubs makes Spark clusters in HDInsight an ideal platform for building real-time analytics pipeline.

Por onde devo começar?Where do I start?

Você pode usar os seguintes artigos para saber mais sobre Apache Spark no HDInsight:You can use the following articles to learn more about Apache Spark in HDInsight:

Próximos PassosNext Steps

Nesta descrição geral, obteve algumas noções básicas do Apache Spark no Azure HDInsight.In this overview, you get some basic understanding of Apache Spark in Azure HDInsight. Avance para o próximo artigo para saber como utilizar um cluster do Spark no HDInsight e executar algumas consultas do Spark SQL:Advance to the next article to learn how to create an HDInsight Spark cluster and run some Spark SQL queries: