livy简介

什么是livy

Livy通过提供REST服务来简化与Spark集群的交互。它可以通过job或者代码片段的方式来提交Spark任务，并同步或者异步地获得任务的结果，以及管理spark context，上述功能通过简单的REST接口或者RPC服务来实现。livy也可以简化Spark与一些应用程序之间的交互，使得Spark可以用于一些web应用(比如Hue)。更多的功能包括：

• 拥有长期运行的Spark Contexts供多用户提交各种的Spark job；
• 不同的任务和用户可以共享cached RDD或者DataFrames；
• 多个SC可以按计划同时运行，为了使得SC具有更好的容错性和并发性，可以将SC运行在yarn/Mesos等集群中；
• 可以通过java/scala客户端的API来提交预编译好的jar包或代码片段；
• 支持一定的安全机制；
• Apache-licensed 100%开源；

与ReadMe中的文档结合再补充几条：

• 支持Scala，Python，R Shell的交互；
• 支持 Scala，Java，Python的批量提交；
• 不需要你对你自己的代码增加任何改变；

产生背景

Apache Spark作为当前最为流行的开源大数据计算框架，广泛应用于数据处理和分析应用，它提供了两种方式来处理数据：一是交互式处理，比如用户使用spark-shell或是pyspark脚本启动Spark应用程序；二是批处理，批处理的程序逻辑由用户实现并编译打包成jar包，spark-submit脚本启动Spark应用程序来执行用户所编写的逻辑，与交互式处理不同的是批处理程序在执行过程中用户没有与Spark进行任何的交互。 两种处理交互方式虽然看起来完全不一样，但它们都需要用户登录到Gateway节点上通过脚本启动Spark进程。这样的方式会有什么问题吗？

• 首先将资源的使用和故障发生的可能性集中到了这些Gateway节点。由于所有的Spark进程都是在Gateway节点上启动的，这势必会增加Gateway节点的资源使用负担和故障发生的可能性，同时Gateway节点的故障会带来单点问题，造成Spark程序的失败。
• 其次难以管理、审计以及与已有的权限管理工具的集成。由于Spark采用脚本的方式启动应用程序，因此相比于WEB方式少了许多管理、审计的便利性，同时也难以与已有的工具结合，如Apache Knox等。
• 同时也将Gateway节点上的部署细节以及配置不可避免地暴露给了登陆用户。 为了避免上述的这些问题，同时提供原生Spark已有的处理交互方式，并且为Spark带来其所缺乏的企业级管理、部署和审计功能，所以产生了livy这一工具

Livy的基本架构

Livy是一个典型的REST服务架构，它一方面接受并解析用户的REST请求，转换成相应的操作；另一方面它管理着用户所启动的所有的集群 sessions。具体的架构可见上图。

用户可以以REST请求的方式通过Livy申请一个新的集群资源，Livy将每一个启动的集群称之为一个会话(session)，根据处理交互方式的不同，Livy将会话分成了两种类型：

交互式会话(interactive session)。这与Spark中的交互式处理相同，交互式会话在其启动后可以接收用户所提交的代码片段，在远端的Spark集群上编译并执行。 批处理会话(batch session)。用户可以通过Livy以批处理的方式启动Spark应用，这样的一个方式在Livy中称之为批处理会话，这与Spark中的批处理是相同的。 可以看到，Livy所提供的核心功能与原生Spark是相同的，它提供了两种不同的会话类型来代替Spark中两类不同的处理交互方式。接下来我们具体来了解一下这两种类型的会话。

• 使用交互式会话与使用Spark所自带的spark-shell，pyspark或sparkR类似，它们都是由用户提交代码片段给REPL，由REPL来编译成Spark作业并执行。主要不同点是spark-shell会在当前节点上启动REPL来接收用户的输入，而Livy交互式会话则是在远端的Spark集群中启动REPL，所有的代码、数据都需要通过网络来传输

• 批处理会话：在Spark应用中有一大类应用是批处理应用，这些应用在运行期间无须与用户进行交互，最典型的就是Spark Streaming流式应用。用户会将业务逻辑编译打包成jar包，并通过spark-submit启动Spark集群来执行业务逻辑