深入對比數據科學工具箱：SparkR vs Sparklyr

01

背景介紹

SparkR 和 Sparklyr 是兩個基於 Spark 的R語言介面，通過簡單的語法深度集成到R語言生態中。SparkR 由 Spark 社區維護，通過源碼級別更新 SparkR 的最新功能，最初從2016年夏天的1.5版本開始支持，從使用上非常像Spark Native。Sparklyr 由 RStudio 社區維護，通過深度集成 RStudio 的方式，提供更易於擴展和使用的方法，更強調統計特性與機器學習，實現本地與分散式代碼的一致性，通常會比 SparkR 延遲1-2個版本，從使用上看接近於dplyr。

02

整體對比

由於 SparkR 與 Sparklyr 都是 Spark API 的封裝，故二者在計算性能上沒有顯著差異。

03

深度對比

文檔

兩者文檔相對來說 Sparklyr 更加豐富一些，其中包含了業界/學界大量案例，但以中文版較少。SparkR 由第三方提供了中文版文檔。

SparkR 文檔：http://spark.apachecn.org/docs/cn/2.3.0/structured-streaming-programming-guide.html

Sparklyr 文檔：https://spark.rstudio.com

安裝便利性

SparkR: 從官網下載。

Sparklyr:

不依賴於Spark版本，spark 2.X 完美兼容1.X。

Spark 環境配置需要注意的問題：

下載和 Hadoop 對應版本號的發行版，具體可以通過sparklyr::spark_available_versions()查詢可用的spark版本

JAVA_HOME/SPARK_HOME/HADOOP_HOME是必須要指定的環境變數，建議使用JDK8/spark2.x/hadoop2.7

yarn-client/yarn-cluster 模式需要設置環境變數

連接 Hive 需要提供 Hive 鏈接配置, 在 spark-connection 初始化時指定對應 hive-site.xml 文件

由於不同發行版本的 Hadoop/Yarn 集群略有差異，環境 Setup 問題可以留言討論。

Spark 初始化

SparkR:

Sparklyr:

數據IO

以寫Parquet文件為例,同理你可以用SparkR::write.*()/sparklyr::spark_write_*()等寫入其他格式文件到HDFS上,比如 csv/text。

什麼是 Parquet 文件？ Parquet 是一種高性能列式存儲文件格式，比CSV文件強在內建索引，可以快速查詢數據，目前普遍應用在模型訓練過程。

SparkR：

Sparklyr:

數據清洗

dplyr 集成 spark/mysql 需要用到遠程處理模式。它要求先定義數據源表，再通過一系列dplyr操作惰性求值，直到執行 head() 或者 collect() 等觸發函數，才會執行計算過程，並將數據返回。如此設計是因為大數據集如果立即處理是無法優化數據處理流程的，通過惰性求值的方式，系統會在遠程機器上自動優化數據處理流程。

以統計計數為例：

從 db.financer_tbl 表中給 b 列 +2 後賦值為 a，過濾出 a > 2 條件下，每個 key 對應出現的次數並按照升序排序，最後去除統計缺失值。

SparkR:

Sparklyr:

SQL

SparkR:

Sparklyr:

由於 Sparklyr 通過 dplyr 介面操作，所以，所有數據操作幾乎和 MySQL 完全一樣，學習成本≈0。

分發R代碼

分發機制：

系統會將本地依賴文件壓縮打包上傳到HDFS路徑上，通過 Spark 動態分發到執行任務的機器上解壓縮。 執行任務的機器本地獨立的線程、內存中執行代碼，最後匯總計算結果到主要節點機器上實現R代碼的分發。

SparkR:

Sparklyr:

SparkR 手動通過 spark.addFile 載入本地依賴，而 Sparklyr 打包本地 R 包只需通過 package = TRUE 參數即可，最大化減少學習成本。

流式計算

什麼是流式計算? 流式計算是介於實時與離線計算之間的一種計算方式，以亞秒級准實時的方式小批量計算數據，廣泛應用在互聯網廣告、推薦等場景。

SparkR:

Sparklyr: 暫時不支持流式計算，功能開發中。

圖計算

什麼是圖計算? 圖計算是以「圖論」為基礎的對現實世界的一種「圖」結構的抽象表達，以及在這種數據結構上的計算模式。 通常，在圖計算中，基本的數據結構表達就是：

G = （V，E，D）

V = vertex （頂點或者節點）

E = edge （邊）

D = data （權重）

SparkR: 不直接支持 Graph Minining。

Sparklyr: 通過拓展程序，graphframes 實現圖挖掘，比如Pagerank、LPA等。

下面是一個通過 graphframes 實現 Pagerank 的例子：

深度學習

SparkR 不直接支持 Deep Learnig。Sparklyr 通過拓展程序 Rsparkling 實現深度學習，比如 Anto-Encoder。

04

總結

目前，SparkR 僅在實時計算上領先於 Sparklyr，在圖計算、機器學習、深度學習等領域已經被拉開差距，在大多數場景下，Sparklyr將是一個更好的選擇，在不久的將來，Sparklyr也將集成Streaming模塊，屆時將全面覆蓋SparkR功能。

相比於 pandas 和 pyspark，R 和 SparkR 的差異更小，並且如果你已經掌握了 dplyr 操作 mysql 的方法，學習 Sparklyr 將變得十分容易，因為他們共用同一套數據處理的語法，使用spark幾乎只有參數配置的學習成本， 更多 Sparklyr 教程可見 Sparklyr 官網 spark.rstudio.com 以及 Sparklyr 使用手冊: https://github.com/rstudio/cheatsheets/raw/master/translations/chinese/sparklyr-cheatsheet_zh_CN.pdf

05

參考資料

https://eddjberry.netlify.com/post/2017-12-05-sparkr-vs-sparklyr/

https://github.com/rstudio/sparklyr/issues/502

https://databricks.com/session/r-and-spark-how-to-analyze-data-using-rstudios-sparklyr-and-h2os-rsparkling-packages

https://github.com/kevinykuo/sparklygraphs

http://docs.h2o.ai/h2o/latest-stable/h2o-docs/data-science/deep-learning.html

https://github.com/rstudio/graphframes

作者：朱俊輝

審稿：郎大為、黃俊文、朱雪寧

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！