我们知道Spark2.0 ,Spark 1.6还有Spark 1.5 三者之间版本是不兼容的,尤其是一些内部API变化比较大。如果你的系统使用了不少底层的API,那么这篇文章或许对你有帮助。我们介绍的兼容相关一些技巧,主要包括动态编译以及反射等方式,也用到了Scala的一些语言特性。
案例
在Spark 1.6 时,大部分机器学习相关的类使用的向量还是
org.apache.spark.mllib.linalg.Vector
而到2.0后,已经基本都变更成
org.apache.spark.ml.linalg.Vector
同理对应的Vectors object 也是。这就造成了一个比较大的困难,比如下面的代码就很难做到兼容了,切换Spark就无法通过编译:
//定义一个函数,将一个字符串转化为Vector
val t = udf { (features: String) =>
if (!features.contains(":")) {
val v = features.split(",|\\s+").map(_.toDouble)
Vectors.dense(v)
} else {
val v = features.split(",|\\s+").map(_.split(":")).map(f => (f(0).toInt, f(1).toDouble))
Vectors.sparse(vectorSize, v)
}
}
//Dataframe转化为只有label 和 features列。
training.select(
col("label") cast (org.apache.spark.sql.types.DoubleType),
t(col("features")) as "features"
)
无论你怎么写,都没办法在Spark 1.6 和 Spark 2.0 同时表现正常,总是会报错的,因为 Vector,Vectors等类的包名都发生了变化。
在Spark中,你可以通过 org.apache.spark.SPARK_VERSION 获取Spark的版本。
我们定义一个类:
object SparkCompatibility {
def sparkVersion = { org.apache.spark.SPARK_VERSION }
动态编译
Scala 是可以很方便的动态源码的,对于而且代码也很简单,大体如下:
object ScalaSourceCodeCompiler {
def compileCode(code: String): Any = {
import scala.reflect.runtime.universe._
val cm = runtimeMirror(Utils.getContextOrSparkClassLoader)
val toolbox = cm.mkToolBox()
val tree = toolbox.parse(code)
val ref = toolbox.compile(tree)()
ref
}
这种效果和Spark Shell里是类似的,ref 是里面的一个返回值。正常情况,你可以写两份代码,一份Spark 1.6. 一份Spark 2.0 ,然后在运行时决定编译那份代码。然而这种方式有一个缺点,尤其是在Spark中很难避免,如果compileCode 返回的值ref是需要被序列化到Executor的,则反序列化会导致问题,因为里面生成的一些匿名类在Executor中并不存在。除此之外,这种方法是实现兼容最有效的办法。
原先我考虑过使用Spark 内部的CodeGen代码,大致如下:
def compileCode3[T](codeBody: String, references: Array[Any]): T = {
val code = CodeFormatter.stripOverlappingComments(
new CodeAndComment(codeBody, Map()))
val c = CodeGenerator.compile(code)
c.generate(references).asInstanceOf[T]
}
不幸的是,这个API本身也在变化,譬如CodeAndComment就是只有2.0才有的。
分离项目方式
将API有变化的部分,独立出来。比如前面我们提到的,对于Vector相关的API,1.6 和2.0 是不同的,那么我们可以剥离出两个工程,每个工程适配对应的版本,然后发布jar包,在Maven中根据Profile机制,根据Spark版本引入不同的适配包。这种方式相对来说比较繁琐。不过目前StreamingPro采用这个方案同时兼容spark 2.2.0/1.6.0
反射的方法
下面是我用来解决Vector 包名变化的代码:
def vectorizeByReflect(vectorSize: Int) = {
val clzzName =
if (org.apache.spark.SPARK_VERSION.startsWith("2")) {
"org.apache.spark.ml.linalg.Vectors"
} else {
"org.apache.spark.mllib.linalg.Vectors"
}
val reslutClzzName = if (org.apache.spark.SPARK_VERSION.startsWith("2")) {
"org.apache.spark.ml.linalg.Vector"
} else {
"org.apache.spark.mllib.linalg.Vector"
}
def dense(v: Array[Double]) = {
Class.forName(clzzName).getMethod("dense", classOf[Array[Double]]).invoke(null, v)
}
def sparse(vectorSize: Int, v: Array[(Int, Double)]) = {
val method = Class.forName(clzzName).getMethod("sparse", classOf[Int], classOf[Seq[(Int, Double)]])
val vs: Integer = vectorSize
method.invoke(null, vs, v.toSeq)
}
val t = functions2.udf(reslutClzzName, (features: String) => {
if (!features.contains(":")) {
val v = features.split(",|\\s+").map(_.toDouble)
dense(v)
} else {
val v = features.split(",|\\s+").map(_.split(":")).map(f => (f(0).toInt, f(1).toDouble))
sparse(vectorSize, v)
}
})
t
}
我们根据不同版本,动态加载对应的类,然后通过反射来调用方法,从而避免编译时错误。然而通过反射,就无法使用类似的代码了:
val t = udf {
.....
}
因为 udf 函数要求能够推导出输入和返回值是什么。而如果通过反射,因为返回值我们无法确定(有可能是org.apache.spark.ml.linalg.Vector,也有可能是org.apache.spark.mllib.linalg.Vector),这个时候就无法通过编译了。于是我们改写了udf的是实现,然而这个实现也遇到了挫折,因为里面用到比如UserDefinedFunction类,已经在不同的包里面了,我们依然通过放射的方案解决:
def udf[RT: TypeTag, A1: TypeTag](className: String, f: Function1[A1, RT]): Any = {
if (SparkCompatibility.sparkVersion.startsWith("2")) {
val inputTypes = Try(ScalaReflection.schemaFor(typeTag[A1]).dataType :: Nil).toOption
val dufReg = Class.forName("org.apache.spark.sql.types.UDTRegistration").
getMethod("getUDTFor", classOf[String]).invoke(null, className).asInstanceOf[Option[Class[_]]]
val udt = dufReg.get.newInstance().asInstanceOf[UserDefinedType[_]]
Class.forName("org.apache.spark.sql.expressions.UserDefinedFunction").
getConstructor(classOf[AnyRef], classOf[DataType], classOf[Option[Seq[DataType]]]).
newInstance(f, Schema(udt, nullable = true).dataType, inputTypes)
} else {
val inputTypes = Try(ScalaReflection.schemaFor(typeTag[A1]).dataType :: Nil).toOption.get.toSeq
val udt = org.apache.spark.util.Utils.classForName(className)
.getAnnotation(classOf[SQLUserDefinedType]).udt().newInstance().asInstanceOf[UserDefinedType[_]]
Class.forName("org.apache.spark.sql.UserDefinedFunction").
getConstructor(classOf[AnyRef], classOf[DataType], classOf[Seq[DataType]]).
newInstance(f, Schema(udt, nullable = true).dataType, inputTypes)
}
}
很丑陋,对不对。这里还有一个问题,虽然udf返回的都是UserDefinedFunction对象,然而他们也是版本不兼容的,也就是我们无法让编译器确定返回的值是什么。我们使用了另外一个Scala语法的技巧,如下:
val t = functions2.udf(reslutClzzName, (features: String) => {
if (!features.contains(":")) {
val v = features.split(",|\\s+").map(_.toDouble)
dense(v)
} else {
val v = features.split(",|\\s+").map(_.split(":")).map(f => (f(0).toInt, f(1).toDouble))
sparse(vectorSize, v)
}
}).asInstanceOf[{def apply(exprs: Column*): Column}]
核心在最后一行,我们声称返回的对象满足这个签名:
{def apply(exprs: Column*): Column}
这个时候,就可以直接使用了:
training.select(
col("label") cast (org.apache.spark.sql.types.DoubleType),
t(col("features")) as "features")
总结
Spark 1.6 和2.0 内部API变化很大,然而对普通用户的API兼容性还是不错的。做版本兼容似乎并不是一件容易的事情。所以当使用StreamingPro做机器学习相关工作时,我只兼容了Spark 1.6,2.0,而抛弃了 1.5版本。但是对于普通的ETL以及流式计算,三个版本都是支持的。