十分钟了解分布式计算:Google Dataflow

介绍

Google Cloud Dataflow是一种构建、管理和优化复杂数据处理流水线的方法，集成了许多内部技术，如用于数据高效并行化处理的Flume和具有良好容错机制流处理的MillWheel。Dataflow当前的API还只有Java版本（其实Flume本身是提供Java/C++/Python多种接口的，MillWheel也提供Java/C++的API）。

相比原生的map-reduce模型，Dataflow有几个优点：

1. 可以构建复杂的pipeline，在这不妨引用Google云平台的产品营销总监Brian Goldfarb的话

   Cloud Dataflow可以用于处理批量数据和流数据两种。在一个世界性事件（比如演讲当中的世界杯事件）中，实时分析上百万twitter数据。在流水线的一个部阶段责读取tweet，下一个阶段负责抽取标签。另一个阶段对tweet分类（基于情感，正面负面或者其他方面）。下一个阶段过滤关键词等等。相比之下，Map/Reduce这个用来处理大数据的较早模型，处理这种实时数据已经力不从心，而且也很难应用到这种很长很复杂的数据流水线上。

2. 不需手工配置和管理MapReduce集群。自动进行代码优化和资源调度，使得开发者的主要精力可以放在业务逻辑本身
   

3. 支持从Batch到Streaming模式的无缝切换:
   假设我们要根据用户在twitter上产生的内容，来实现一个hashtags自动补全的功能

   Example: Auto completing hashtags

   Prefix	Suggestions
   ar	#argentina, #arugularocks, #argylesocks
   arg	#argentina, #argylesocks, #argonauts
   arge	#argentina, #argentum, #argentine

   
   代码几乎和数据流一一对应，和单机程序的编写方式差别不大
   
   Dataflow将数据抽象为一个PCollections (“parallel collections”)，PCollection可以是一个内存中的集合，从Cloud Storage读进来，从BigQuerytable中查询得到，从Pub/Sub以流的方式读入，或者从用户代码中计算得到。
   为了对PCollection进行处理，Dataflow提供了许多PTransforms (“parallel transforms”)，例如ParDo (“parallel do”) 对于PCollection中每一个元素分别进行指定操作（类似MapReduce中的Map和Reduce函数，或者SQL中的WHERE），GroupByKey对一个key-value pairs的PCollection进行处理，将相同key的pairs group到一起（类似MapReduce中的Shuffle步骤，或者SQL中的GROUP BY和JOIN）。
   此外，用户还可以将这些基本操作组合起来定义新的transformations。Dataflow本身也提供了一些常用的组合transformations，如Count, Top, and Mean。
   这是一个经典的批处理的例子
   
   转化为streaming做法只需改动数据源。如果我们现在希望模型提供的是最新的热词，考虑数据的时效性，只需额外添加一行设置数据window的操作，比如说60min以前的数据我们就不要了
   

4. Dashboard:
   还可以在developer console中了解流水线中每个环节执行的情况，每个流程框基本对应着一行代码
   

5. 生态系统:
   BigQuery作为存储系统是Dataflow的一个补充，经过Dataflow清洗和处理过的数据，可以在BigQuery中存下来，同时Dataflow也可以读取BigQuery以进行表连接等操作。如果想在Dataflow上使用一些开源资源（比如说Spark中的机器学习库），也是很方便的
   

为了配合Dataflow，Google Cloud Platform还为开发者提供了一系列工具，包括云保存，云调试，云追踪和云监控。

比较

1. Cascading/Twitter Scalding：
   1) 传统Map-reduce只能处理单一的流，而Dataflow可以构建整个pipeline，自动优化和调度，Dataflow乍一听感觉非常像Hadoop上的Cascading(Java)/Scalding(Scala)。
   2) 它们的编程模型很像，Dataflow也可以很方便做本地测试，可以传一个模拟集合，在上面去迭代计算结果，这一点是传统Map-reduce望尘莫及的。
   
2. Twitter Summingbird：
   而将批处理和流处理无缝连接的思想又听起来很像把Scalding和Strom无缝连接起来的twitter summingbird(Scala).
   
3. Spark：
   1) Spark也有可以构建复杂的pipeline做一代码优化和任务调度的好处，但目前还需要程序员来配置资源分配。
   2) Spark在设计分布式数据集API时，模拟了Scala集合的操作API，使得额外的语法学习成本比Dataflow要低。
   3) 不过Dataflow似乎并没有提内存计算的事儿，而这一点可以说是Spark最本质的特征。不过它支持将Spark作为Open Source工具，连入Cloud框架作为补充。
   4) 分布式计算中除了Batch和Streaming，Graph也是一个重要的问题，Spark在这方面有GraphX，Dataflow在未来也会将处理Graph处理(Pregel)这块整合进去。

参考

本文的内容主要基于官方资料

Sneak peek: Google Cloud Dataflow, a Cloud-native data processing service

Google I/O 2014 - The dawn of "Fast Data"(国内用户下载)

链接

Google Cloud Dataflow 简单理解

Cloud Dataflow ：云计算时代的新计算模式

Google Announces Cloud Dataflow Beta at Google I/O

Google Launches Cloud Dataflow, A Managed Data Processing Service

Mapreduce successor google cloud dataflow is a game changer for hadoop thunder

论文

FlumeJava: Easy, Efficient Data-Parallel Pipelines,PLDI,2010

MillWheel: Fault-Tolerant Stream Processing at Internet Scale,Very Large Data Bases (2013), pp. 734-746

转载请注明出处：
十分钟了解分布式计算:Google Dataflow