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，但在企業應用中面臨諸如部署、安全等問題。為此本文引入Livy這樣一個基于Apache Spark的REST服務，它不僅以REST的方式代替了Spark傳統的處理交互方式，同時也提供企業應用中不可忽視的多用戶，安全，以及容錯的支持。
Apache Spark作為當前為流行的開源大數據計算框架，廣泛應用于數據處理和分析應用，它提供了兩種方式來處理數據：一是交互式處理，比如用戶使用spark-shell或是pyspark腳本啟動Spark應用程序，伴隨應用程序啟動的同時Spark會在當前終端啟動REPL（Read–Eval–Print Loop）來接收用戶的代碼輸入，并將其編譯成Spark作業提交到集群上去執行；二是批處理，批處理的程序邏輯由用戶實現并編譯打包成jar包，spark-submit腳本啟動Spark應用程序來執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行過程中用戶沒有與Spark進行任何的交互。
兩種處理交互方式雖然看起來完全不一樣，但是都需要用戶登錄到Gateway節點上通過腳本啟動Spark進程。這樣的方式會有什么問題嗎？
Livy是一個基于Spark的開源REST服務，它能夠通過REST的方式將代碼片段或是序列化的二進制代碼提交到Spark集群中去執行。它提供了以下這些基本功能：
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REST的方式提交到Livy服務端上，再由Livy服務端發送到不同的Spark集群上去執行。說到這里我們首先來了解一下Livy的架構。
Livy的基本架構
Livy是一個典型的REST服務架構，它一方面接受并解析用戶的REST請求，轉換成相應的操作；另一方面它管理著用戶所啟動的所有Spark集群。具體架構可見圖1。
用戶可以以REST請求的方式通過Livy啟動一個新的Spark集群，Livy將每一個啟動的Spark集群稱之為一個會話（session），一個會話是由一個完整的Spark集群所構成的，并且通過RPC協議在Spark集群和Livy服務端之間進行通信。根據處理交互方式的不同，Livy將會話分成了兩種類型：
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話類型來代替Spark中兩類不同的處理交互方式。接下來我們具體了解一下這兩種類型的會話。
交互式會話（Interactive Session）
使用交互式會話與使用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來編譯成Spark作業并執行。它們的主要不同點是spark-shell會在當前節點上啟動REPL來接收用戶的輸入，而Livy交互式會話則是在遠端的Spark集群中啟動REPL，所有的代碼、數據都需要通過網絡來傳輸。
我們接下來看看如何使用交互式會話。
創建交互式會話
POST /sessions
curl -X POST -d '{"kind": "spark"}' -H "Content-Type: application/json" <livy-host>:<port>/sessions</port></livy-host>使用交互式會話的前提是需要先創建會話。當我們提交請求創建交互式會話時，我們需要指定會話的類型（“kind”），比如“spark”，Livy會根據我們所指定的類型來啟動相應的REPL，當前Livy可支持spark、pyspark或是sparkr三種不同的交互式會話類型以滿足不同語言的需求。
當創建完會話后，Livy會返回給我們一個JSON格式的數據結構表示當前會話的所有信息：
{ "appId": "application_1493903362142_0005",
… "id": 1, "kind": "spark", "log": [ ], "owner": null, "proxyUser": null, "state": "idle" }其中需要我們關注的是會話id，id代表了此會話，所有基于該會話的操作都需要指明其id。
提交代碼
POST /sessions/{sessionId}/statements
curl <livy-host>:<port>/sessions/1/statements -X POST -H 'Content-Type: application/json' -d '{"code":"sc.parallelize(1 to 2).count()"}' { "id": 0, "output": null, "progress": 0.0, "state": "waiting" }</port></livy-host>創建完交互式會話后我們就可以提交代碼到該會話上去執行。與創建會話相同的是，提交代碼同樣會返回給我們一個id用來標識該次請求，我們可以用id來查詢該段代碼執行的結果。
查詢執行結果
GET /sessions/{sessionId}/statements/{statementId}
{
"id": 0,
"output": {
"data": {
"text/plain": "res0: Long = 2" },
"execution_count": 0,
"status": "ok" },
"progress": 1.0,
"state": "available" }Livy的REST API設計為非阻塞的方式，當提交代碼請求后Livy會立即返回該請求id而并非阻塞在該次請求上直到執行完成，因此用戶可以使用該id來反復輪詢結果，當然只有當該段代碼執行完畢后用戶的查詢請求才能得到正確結果。
當然Livy交互式會話還提供許多不同的REST API來操作會話和代碼，在這就不一一贅述了。
使用編程API
在交互式會話模式中，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。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，Livy會將用戶編寫的Spark作業序列化并發送到遠端Spark集群中執行。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。
可以看到除了入口函數不同，其核心邏輯完全一致，因此用戶可以很方便地將已有的Spark作業遷移到Livy上。
Livy交互式會話是Spark交互式處理基于HTTP的實現。有了Livy的交互式會話，用戶無需登錄到Gateway節點上去啟動Spark進程并執行代碼。以REST的方式進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維的管理。
批處理會話（Batch Session）
在Spark應用中有一大類應用是批處理應用，這些應用在運行期間無須與用戶進行交互，典型的就是Spark Streaming流式應用。用戶會將業務邏輯編譯打包成jar包，并通過spark-submit啟動Spark集群來執行業務邏輯：
./bin/spark-submit \
--class org.apache.spark.examples.streaming.DirectKafkaWordCount \ --master yarn \ --deploy-mode cluster / --executor-memory 20G \ /path/to/examples.jarLivy也為用戶帶來相同的功能，用戶可以通過REST的方式來創建批處理應用：
curl -H "Content-Type: application/json" -X POST -d '{ "file":"<path to="" application="" jar="">", "className":"org.apache.spark.examples.streaming.DirectKafkaWordCount" }' <livy-host>:<port>/batches</port></livy-host></path>通過用戶所指定的“className”和“file”，Livy會啟動Spark集群來運行該應用，這樣的一種方式就稱為批處理會話。
至此我們簡單介紹了Livy的兩種會話類型，與它相對應的就是Spark的兩種處理交互方式，因此可以說Livy以REST的方式提供了Spark所擁有的兩種交互處理方式。
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的企業級特性則更體現了其相比于原生Spark處理交互方式的優勢。本章節將介紹Livy幾個關鍵的企業特性。
多用戶支持
假定用戶tom向Livy服務端發起REST請求啟動一個新的會話，而Livy服務端則是由用戶livy啟動的，這個時候所創建出來Spark集群用戶是誰呢，會是用戶tom還是livy？在默認情況下這個Spark集群的用戶是livy。這會帶來訪問權限的問題：用戶tom無法訪問其擁有權限的資源，而相對的是他卻可以訪問用戶livy所擁有的資源。
為了解決這個問題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境，如HiveServer2。在此模式中超級用戶可以代理成普通用戶去訪問資源，并擁有普通用戶相應的權限。開啟了代理用戶模式后，以用戶tom所創建的會話所啟動的Spark集群用戶就會是tom。
為了使用此功能用戶需要配置“livy.impersonation.enabled”，同時需要在Hadoop中將Livy服務端進程的用戶配置為Hadoop proxyuser 。當然還會有一些Livy的額外配置就不在這展開了。
有了代理用戶模式的支持，Livy就能真正做到對多用戶的支持，不同用戶啟動的會話會以相應的用戶去訪問資源。
端到端安全
在企業應用中另一個非常關鍵的特性是安全性。一個完整的Livy服務中有哪些點是要有安全考慮的呢？
客戶端認證
當用戶tom發起REST請求訪問Livy服務端的時候，我們如何知道該用戶是合法用戶呢？Livy采用了基于Kerberos的Spnego認證。在Livy服務端配置Spnego認證后，用戶發起Http請求之前必須先獲得Kerberos認證，只有通過認證后才能正確訪問Livy服務端，不然的話Livy服務端會返回401錯誤。
HTTPS/SSL
那么如何保證客戶端與Livy服務端之間HTTP傳輸的安全性呢？Livy使用了標準的SSL來加密HTTP協議，以確保傳輸的Http報文的安全。為此用戶需要配置Livy服務端SSL相關的配置已開啟此功能。
SASL RPC
除了客戶端和Livy服務端之間的通信，Livy服務端和Spark集群之間也存在著網絡通信，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認證的RPC通信機制：當Livy服務端啟動Spark集群時會產生一個隨機字符串用作兩者之間認證的秘鑰，只有Livy服務端和該Spark集群之間才有相同的秘鑰，這樣就保證了只有Livy服務端才能和該Spark集群進行通信，防止匿名的連接試圖與Spark集群通信。
將上述三種安全機制歸結起來就如圖3所示。
這樣構成了Livy完整的端到端的安全機制，確保沒有經過認證的用戶，匿名的連接無法與Livy服務中的任何一個環節進行通信。
失敗恢復
由于Livy服務端是單點，所有的操作都需要通過Livy轉發到Spark集群中，如何確保Livy服務端失效的時候已創建的所有會話不受影響，同時Livy服務端恢復過來后能夠與已有的會話重新連接以繼續使用？
Livy提供了失敗恢復的機制，當用戶啟動會話的同時Livy會在可靠的存儲上記錄會話相關的元信息，一旦Livy從失敗中恢復過來它會試圖讀取相關的元信息并與Spark集群重新連接。為了使用該特性我們需要配置Livy使其開啟此功能：
livy.server.recovery.mode off:默認為關閉失敗恢復功能。 recovery:當配置為“recovery”時Livy就會開啟失敗恢復功能。
livy.server.recovery.state-store
配置將元信息存儲在何種可靠存儲上，當前支持filesystem和ZooKeeper。
livy.server.recovery.state-store.url 配置具體的存儲路徑，如果是filesystem則改配置為文件路徑；而ZooKeeper則為ZooKeeper集群的URL。失敗恢復能夠有效地避免因Livy服務端單點故障造成的所有會話的不可用，同時也避免了因Livy服務端重啟而造成的會話不必要失效。
本文從Spark處理交互方式的局限引出了Livy這樣一個基于Spark的REST服務。同時全面介紹了其基本架構、核心功能以及企業級特性，Livy不僅涵蓋了Spark所提供了所有處理交互方式，同時又結合了多種的企業級特性，雖然Livy項目現在還處于早期，許多的功能有待增加和改進，我相信假以時日Livy必定能成為一個的基于Spark的REST服務。
本站文章版權歸原作者及原出處所有 。內容為作者個人觀點， 并不代表本站贊同其觀點和對其真實性負責，本站只提供參考并不構成任何投資及應用建議。本站是一個個人學習交流的平臺，網站上部分文章為轉載，并不用于任何商業目的，我們已經盡可能的對作者和來源進行了通告，但是能力有限或疏忽，造成漏登，請及時聯系我們，我們將根據著作權人的要求，立即更正或者刪除有關內容。本站擁有對此聲明的最終解釋權。
