存档

文章标签 ‘Apache’

新手福利:Apache Spark入门攻略

2015年7月17日 没有评论

本文聚焦Apache Spark入门,了解其在大数据领域的地位,覆盖Apache Spark的安装及应用程序的建立,并解释一些常见的行为和操作。

一、 为什么要使用Apache Spark

时下,我们正处在一个“大数据”的时代,每时每刻,都有各种类型的数据被生产。而在此紫外,数据增幅的速度也在显著增加。从广义上看,这些数据包含交易数据、社交媒体内容(比如文本、图像和视频)以及传感器数据。那么,为什么要在这些内容上投入如此多精力,其原因无非就是从海量数据中提取洞见可以对生活和生产实践进行很好的指导。

在几年前,只有少部分公司拥有足够的技术力量和资金去储存和挖掘大量数据,并对其挖掘从而获得洞见。然而,被雅虎2009年开源的Apache Hadoop对这一状况产生了颠覆性的冲击——通过使用商用服务器组成的集群大幅度地降低了海量数据处理的门槛。因此,许多行业(比如Health care、Infrastructure、Finance、Insurance、Telematics、Consumer、Retail、Marketing、E-commerce、Media、 Manufacturing和Entertainment)开始了Hadoop的征程,走上了海量数据提取价值的道路。着眼Hadoop,其主要提供了两个方面的功能:

  • 通过水平扩展商用主机,HDFS提供了一个廉价的方式对海量数据进行容错存储。
  • MapReduce计算范例,提供了一个简单的编程模型来挖掘数据并获得洞见。

下图展示了MapReduce的数据处理流程,其中一个Map-Reduce step的输出将作为下一个典型Hadoop job的输入结果。

在整个过程中,中间结果会借助磁盘传递,因此对比计算,大量的Map-Reduced作业都受限于IO。然而对于ETL、数据整合和清理这样的用例来说,IO约束并不会产生很大的影响,因为这些场景对数据处理时间往往不会有较高的需求。然而,在现实世界中,同样存在许多对延时要求较为苛刻的用例,比如:

  1. 对流数据进行处理来做近实时分析。举个例子,通过分析点击流数据做视频推荐,从而提高用户的参与度。在这个用例中,开发者必须在精度和延时之间做平衡。
  2. 在大型数据集上进行交互式分析,数据科学家可以在数据集上做ad-hoc查询。

毫无疑问,历经数年发展,Hadoop生态圈中的丰富工具已深受用户喜爱,然而这里仍然存在众多问题给使用带来了挑战:

1.每个用例都需要多个不同的技术堆栈来支撑,在不同使用场景下,大量的解决方案往往捉襟见肘。

2.在生产环境中机构往往需要精通数门技术。

3.许多技术存在版本兼容性问题。

4.无法在并行job中更快地共享数据。

而通过Apache Spark,上述问题迎刃而解!Apache Spark是一个轻量级的内存集群计算平台,通过不同的组件来支撑批、流和交互式用例,如下图。

二、 关于Apache Spark

Apache Spark是个开源和兼容Hadoop的集群计算平台。由加州大学伯克利分校的AMPLabs开发,作为Berkeley Data Analytics Stack(BDAS)的一部分,当下由大数据公司Databricks保驾护航,更是Apache旗下的顶级项目,下图显示了Apache Spark堆栈中的不同组件。

Apache Spark的5大优势:

1.更高的性能,因为数据被加载到集群主机的分布式内存中。数据可以被快速的转换迭代,并缓存用以后续的频繁访问需求。很多对Spark感兴趣的朋友可能也会听过这样一句话——在数据全部加载到内存的情况下,Spark可以比Hadoop快100倍,在内存不够存放所有数据的情况下快Hadoop 10倍。

2.通过建立在Java、Scala、Python、SQL(应对交互式查询)的标准API以方便各行各业使用,同时还含有大量开箱即用的机器学习库。

3.与现有Hadoop v1 (SIMR) 和2.x (YARN) 生态兼容,因此机构可以进行无缝迁移。

4.方便下载和安装。方便的shell(REPL: Read-Eval-Print-Loop)可以对API进行交互式的学习。

5.借助高等级的架构提高生产力,从而可以讲精力放到计算上。

同时,Apache Spark由Scala实现,代码非常简洁。

三、安装Apache Spark

下表列出了一些重要链接和先决条件:

Current Release 1.0.1 @ http://d3kbcqa49mib13.cloudfront.net/spark-1.0.1.tgz
Downloads Page https://spark.apache.org/downloads.html
JDK Version (Required) 1.6 or higher
Scala Version (Required) 2.10 or higher
Python (Optional) [2.6, 3.0)
Simple Build Tool (Required) http://www.scala-sbt.org
Development Version git clone git://github.com/apache/spark.git
Building Instructions https://spark.apache.org/docs/latest/building-with-maven.html
Maven 3.0 or higher

如图6所示,Apache Spark的部署方式包括standalone、Hadoop V1 SIMR、Hadoop 2 YARN/Mesos。Apache Spark需求一定的Java、Scala或Python知识。这里,我们将专注standalone配置下的安装和运行。

1.安装JDK 1.6+、Scala 2.10+、Python [2.6,3] 和sbt

2.下载Apache Spark 1.0.1 Release

3.在指定目录下Untar和Unzip spark-1.0.1.tgz

akuntamukkala@localhost~/Downloads$ pwd
/Users/akuntamukkala/Downloads akuntamukkala@localhost~/Downloads$ tar -zxvf spark- 1.0.1.tgz -C /Users/akuntamukkala/spark

4.运行sbt建立Apache Spark

akuntamukkala@localhost~/spark/spark-1.0.1$ pwd /Users/akuntamukkala/spark/spark-1.0.1 akuntamukkala@localhost~/spark/spark-1.0.1$ sbt/sbt assembly

5.发布Scala的Apache Spark standalone REPL

/Users/akuntamukkala/spark/spark-1.0.1/bin/spark-shell

如果是Python

/Users/akuntamukkala/spark/spark-1.0.1/bin/ pyspark

6.查看SparkUI @ http://localhost:4040

四、Apache Spark的工作模式

Spark引擎提供了在集群中所有主机上进行分布式内存数据处理的能力,下图显示了一个典型Spark job的处理流程。

下图显示了Apache Spark如何在集群中执行一个作业。

Master控制数据如何被分割,利用了数据本地性,并在Slaves上跟踪所有分布式计算。在某个Slave不可用时,其存储的数据会分配给其他可用的Slaves。虽然当下(1.0.1版本)Master还存在单点故障,但后期必然会被修复。

五、弹性分布式数据集(Resilient Distributed Dataset,RDD)

弹性分布式数据集(RDD,从Spark 1.3版本开始已被DataFrame替代)是Apache Spark的核心理念。它是由数据组成的不可变分布式集合,其主要进行两个操作:transformation和action。Transformation是类似在RDD上做 filter()、map()或union() 以生成另一个RDD的操作,而action则是count()、first()、take(n)、collect() 等促发一个计算并返回值到Master或者稳定存储系统的操作。Transformations一般都是lazy的,直到action执行后才会被执行。Spark Master/Driver会保存RDD上的Transformations。这样一来,如果某个RDD丢失(也就是salves宕掉),它可以快速和便捷地转换到集群中存活的主机上。这也就是RDD的弹性所在。

下图展示了Transformation的lazy:

我们可以通过下面示例来理解这个概念:从文本中发现5个最常用的word。下图显示了一个可能的解决方案。

在上面命令中,我们对文本进行读取并且建立字符串的RDD。每个条目代表了文本中的1行。

scala> val hamlet = sc.textFile(“/Users/akuntamukkala/temp/gutenburg.txt”)
hamlet: org.apache.spark.rdd.RDD[String] = MappedRDD[1] at textFile at <console>:12
scala> val topWordCount = hamlet.flatMap(str=>str.split(“ “)). filter(!_.isEmpty).map(word=>(word,1)).reduceByKey(_+_).map{case (word, count) => (count, word)}.sortByKey(false)
topWordCount: org.apache.spark.rdd.RDD[(Int, String)] = MapPartitionsRDD[10] at sortByKey at <console>:14

1. 通过上述命令我们可以发现这个操作非常简单——通过简单的Scala API来连接transformations和actions。

2. 可能存在某些words被1个以上空格分隔的情况,导致有些words是空字符串,因此需要使用filter(!_.isEmpty)将它们过滤掉。

3. 每个word都被映射成一个键值对:map(word=>(word,1))。

4. 为了合计所有计数,这里需要调用一个reduce步骤——reduceByKey(_+_)。 _+_ 可以非常便捷地为每个key赋值。

5. 我们得到了words以及各自的counts,下一步需要做的是根据counts排序。在Apache Spark,用户只能根据key排序,而不是值。因此,这里需要使用map{case (word, count) => (count, word)}将(word, count)流转到(count, word)。

6. 需要计算最常用的5个words,因此需要使用sortByKey(false)做一个计数的递减排序。

上述命令包含了一个.take(5) (an action operation, which triggers computation)和在 /Users/akuntamukkala/temp/gutenburg.txt文本中输出10个最常用的words。在Python shell中用户可以实现同样的功能。

RDD lineage可以通过toDebugString(一个值得记住的操作)来跟踪。

scala> topWordCount.take(5).foreach(x=>println(x))
(1044,the)
(730,and)
(679,of)
(648,to)
(511,I)

常用的Transformations:

Transformation & Purpose Example & Result
filter(func) Purpose: new RDD by selecting those data elements on which func returns true scala> val rdd = sc.parallelize(List(“ABC”,”BCD”,”DEF”)) scala> val filtered = rdd.filter(_.contains(“C”)) scala> filtered.collect() Result:
Array[String] = Array(ABC, BCD)
map(func) Purpose: return new RDD by applying func on each data element scala> val rdd=sc.parallelize(List(1,2,3,4,5)) scala> val times2 = rdd.map(_*2) scala> times2.collect() Result:
Array[Int] = Array(2, 4, 6, 8, 10)
flatMap(func) Purpose: Similar to map but func returns a Seq instead of a value. For example, mapping a sentence into a Seq of words scala> val rdd=sc.parallelize(List(“Spark is awesome”,”It is fun”)) scala> val fm=rdd.flatMap(str=>str.split(“ “)) scala> fm.collect() Result:
Array[String] = Array(Spark, is, awesome, It, is, fun)
reduceByKey(func,[numTasks]) Purpose: To aggregate values of a key using a function. “numTasks” is an optional parameter to specify number of reduce tasks scala> val word1=fm.map(word=>(word,1)) scala> val wrdCnt=word1.reduceByKey(_+_) scala> wrdCnt.collect() Result:
Array[(String, Int)] = Array((is,2), (It,1), (awesome,1), (Spark,1), (fun,1))
groupByKey([numTasks]) Purpose: To convert (K,V) to (K,Iterable<V>) scala> val cntWrd = wrdCnt.map{case (word, count) => (count, word)} scala> cntWrd.groupByKey().collect() Result:
Array[(Int, Iterable[String])] = Array((1,ArrayBuffer(It, awesome, Spark, fun)), (2,ArrayBuffer(is)))
distinct([numTasks]) Purpose: Eliminate duplicates from RDD scala> fm.distinct().collect() Result:
Array[String] = Array(is, It, awesome, Spark, fun)

常用的集合操作:

Transformation and Purpose Example and Result
union()
Purpose: new RDD containing all elements from source RDD and argument.
Scala> val rdd1=sc.parallelize(List(‘A’,’B’))
scala> val rdd2=sc.parallelize(List(‘B’,’C’))
scala> rdd1.union(rdd2).collect()
Result:
Array[Char] = Array(A, B, B, C)
intersection()
Purpose: new RDD containing only common elements from source RDD and argument.
Scala> rdd1.intersection(rdd2).collect()
Result:
Array[Char] = Array(B)
cartesian()
Purpose: new RDD cross product of all elements from source RDD and argument
Scala> rdd1.cartesian(rdd2).collect()
Result:
Array[(Char, Char)] = Array((A,B), (A,C), (B,B), (B,C))
subtract()
Purpose: new RDD created by removing data elements in source RDD in common with argument
scala> rdd1.subtract(rdd2).collect() Result:
Array[Char] = Array(A)
join(RDD,[numTasks])
Purpose: When invoked on (K,V) and (K,W), this operation creates a new RDD of (K, (V,W))
scala> val personFruit = sc.parallelize(Seq((“Andy”, “Apple”), (“Bob”, “Banana”), (“Charlie”, “Cherry”), (“Andy”,”Apricot”)))
scala> val personSE = sc.parallelize(Seq((“Andy”, “Google”), (“Bob”, “Bing”), (“Charlie”, “Yahoo”), (“Bob”,”AltaVista”)))
scala> personFruit.join(personSE).collect()
Result:
Array[(String, (String, String))] = Array((Andy,(Apple,Google)), (Andy,(Apricot,Google)), (Charlie,(Cherry,Yahoo)), (Bob,(Banana,Bing)), (Bob,(Banana,AltaVista)))
cogroup(RDD,[numTasks])
Purpose: To convert (K,V) to (K,Iterable<V>)
scala> personFruit.cogroup(personSe).collect()
Result:
Array[(String, (Iterable[String], Iterable[String]))] = Array((Andy,(ArrayBuffer(Apple, Apricot),ArrayBuffer(google))), (Charlie,(ArrayBuffer(Cherry),ArrayBuffer(Yahoo))), (Bob,(ArrayBuffer(Banana),ArrayBuffer(Bing, AltaVista))))

更多transformations信息,请查看http://spark.apache.org/docs/latest/programming-guide.html#transformations

常用的actions

Action & Purpose Example & Result
count() Purpose: get the number of data elements in the RDD scala> val rdd = sc.parallelize(list(‘A’,’B’,’c’)) scala> rdd.count() Result:
long = 3
collect() Purpose: get all the data elements in an RDD as an array scala> val rdd = sc.parallelize(list(‘A’,’B’,’c’)) scala> rdd.collect() Result:
Array[char] = Array(A, B, c)
reduce(func) Purpose: Aggregate the data elements in an RDD using this function which takes two arguments and returns one scala> val rdd = sc.parallelize(list(1,2,3,4)) scala> rdd.reduce(_+_) Result:
Int = 10
take (n) Purpose: : fetch first n data elements in an RDD. computed by driver program. Scala> val rdd = sc.parallelize(list(1,2,3,4)) scala> rdd.take(2) Result:
Array[Int] = Array(1, 2)
foreach(func) Purpose: execute function for each data element in RDD. usually used to update an accumulator(discussed later) or interacting with external systems. Scala> val rdd = sc.parallelize(list(1,2,3,4)) scala> rdd.foreach(x=>println(“%s*10=%s”. format(x,x*10))) Result:
1*10=10 4*10=40 3*10=30 2*10=20
first() Purpose: retrieves the first data element in RDD. Similar to take(1) scala> val rdd = sc.parallelize(list(1,2,3,4)) scala> rdd.first() Result:
Int = 1
saveAsTextFile(path) Purpose: Writes the content of RDD to a text file or a set of text files to local file system/ HDFS scala> val hamlet = sc.textFile(“/users/akuntamukkala/ temp/gutenburg.txt”) scala> hamlet.filter(_.contains(“Shakespeare”)). saveAsTextFile(“/users/akuntamukkala/temp/ filtered”) Result:
akuntamukkala@localhost~/temp/filtered$ ls _SUCCESS part-00000 part-00001

更多actions参见http://spark.apache.org/docs/latest/programming-guide.html#actions

六、RDD持久性

Apache Spark中一个主要的能力就是在集群内存中持久化/缓存RDD。这将显著地提升交互速度。下表显示了Spark中各种选项。

Storage Level Purpose
MEMORY_ONLY (Default level) This option stores RDD in available cluster memory as deserialized Java objects. Some partitions may not be cached if there is not enough cluster memory. Those partitions will be recalculated on the fly as needed.
MEMORY_AND_DISK This option stores RDD as deserialized Java objects. If RDD does not fit in cluster memory, then store those partitions on the disk and read them as needed.
MEMORY_ONLY_SER This options stores RDD as serialized Java objects (One byte array per partition). This is more CPU intensive but saves memory as it is more space efficient. Some partitions may not be cached. Those will be recalculated on the fly as needed.
MEMORY_ONLY_DISK_SER This option is same as above except that disk is used when memory is not sufficient.
DISC_ONLY This option stores the RDD only on the disk
MEMORY_ONLY_2, MEMORY_AND_DISK_2, etc. Same as other levels but partitions are replicated on 2 slave nodes

上面的存储等级可以通过RDD. cache()操作上的 persist()操作访问,可以方便地指定MEMORY_ONLY选项。关于持久化等级的更多信息,可以访问这里http://spark.apache.org/docs/latest/programming-guide.html#rdd-persistence。

Spark使用Least Recently Used (LRU)算法来移除缓存中旧的、不常用的RDD,从而释放出更多可用内存。同样还提供了一个unpersist() 操作来强制移除缓存/持久化的RDD。

七、变量共享

Accumulators。Spark提供了一个非常便捷地途径来避免可变的计数器和计数器同步问题——Accumulators。Accumulators在一个Spark context中通过默认值初始化,这些计数器在Slaves节点上可用,但是Slaves节点不能对其进行读取。它们的作用就是来获取原子更新,并将其转发到Master。Master是唯一可以读取和计算所有更新合集的节点。举个例子:

akuntamukkala@localhost~/temp$ cat output.log
error
warning
info
trace
error
info
info
scala> val nErrors=sc.accumulator(0.0)
scala> val logs = sc.textFile(“/Users/akuntamukkala/temp/output.log”)
scala> logs.filter(_.contains(“error”)).foreach(x=>nErrors+=1)
scala> nErrors.value
Result:Int = 2

Broadcast Variables。实际生产中,通过指定key在RDDs上对数据进行合并的场景非常常见。在这种情况下,很可能会出现给slave nodes发送大体积数据集的情况,让其负责托管需要做join的数据。因此,这里很可能存在巨大的性能瓶颈,因为网络IO比内存访问速度慢100倍。为了解决这个问题,Spark提供了Broadcast Variables,如其名称一样,它会向slave nodes进行广播。因此,节点上的RDD操作可以快速访问Broadcast Variables值。举个例子,期望计算一个文件中所有路线项的运输成本。通过一个look-up table指定每种运输类型的成本,这个look-up table就可以作为Broadcast Variables。

akuntamukkala@localhost~/temp$ cat packagesToShip.txt ground
express
media
priority
priority
ground
express
media
scala> val map = sc.parallelize(Seq((“ground”,1),(“med”,2), (“priority”,5),(“express”,10))).collect().toMap
map: scala.collection.immutable.Map[String,Int] = Map(ground -> 1, media -> 2, priority -> 5, express -> 10)
scala> val bcMailRates = sc.broadcast(map)

上述命令中,我们建立了一个broadcast variable,基于服务类别成本的map。

scala> val pts = sc.textFile(“/Users/akuntamukkala/temp/packagesToShip.txt”)

在上述命令中,我们通过broadcast variable的mailing rates来计算运输成本。

scala> pts.map(shipType=>(shipType,1)).reduceByKey(_+_). map{case (shipType,nPackages)=>(shipType,nPackages*bcMailRates. value(shipType))}.collect()

通过上述命令,我们使用accumulator来累加所有运输的成本。详细信息可通过下面的PDF查看http://ampcamp.berkeley.edu/wp-content/uploads/2012/06/matei-zaharia-amp-camp-2012-advanced-spark.pdf。

八、Spark SQL

通过Spark Engine,Spark SQL提供了一个便捷的途径来进行交互式分析,使用一个被称为SchemaRDD类型的RDD。SchemaRDD可以通过已有RDDs建立,或者其他外部数据格式,比如Parquet files、JSON数据,或者在Hive上运行HQL。SchemaRDD非常类似于RDBMS中的表格。一旦数据被导入SchemaRDD,Spark引擎就可以对它进行批或流处理。Spark SQL提供了两种类型的Contexts——SQLContext和HiveContext,扩展了SparkContext的功能。

SparkContext提供了到简单SQL parser的访问,而HiveContext则提供了到HiveQL parser的访问。HiveContext允许企业利用已有的Hive基础设施。

这里看一个简单的SQLContext示例。

下面文本中的用户数据通过“|”来分割。

John Smith|38|M|201 East Heading Way #2203,Irving, TX,75063 Liana Dole|22|F|1023 West Feeder Rd, Plano,TX,75093 Craig Wolf|34|M|75942 Border Trail,Fort Worth,TX,75108 John Ledger|28|M|203 Galaxy Way,Paris, TX,75461 Joe Graham|40|M|5023 Silicon Rd,London,TX,76854

定义Scala case class来表示每一行:

case class Customer(name:String,age:Int,gender:String,address: String)

下面的代码片段体现了如何使用SparkContext来建立SQLContext,读取输入文件,将每一行都转换成SparkContext中的一条记录,并通过简单的SQL语句来查询30岁以下的男性用户。

val sparkConf = new SparkConf().setAppName(“Customers”)
val sc = new SparkContext(sparkConf)
val sqlContext = new SQLContext(sc)
val r = sc.textFile(“/Users/akuntamukkala/temp/customers.txt”) val records = r.map(_.split(‘|’))
val c = records.map(r=>Customer(r(0),r(1).trim.toInt,r(2),r(3))) c.registerAsTable(“customers”)
sqlContext.sql(“select * from customers where gender=’M’ and age <
            30”).collect().foreach(println) Result:[John Ledger,28,M,203 Galaxy Way,Paris,
            TX,75461]

更多使用SQL和HiveQL的示例请访问下面链接https://spark.apache.org/docs/latest/sql-programming-guide.html、https://databricks-training.s3.amazonaws.com/data-exploration-using-spark-sql.html。

九、Spark Streaming

Spark Streaming提供了一个可扩展、容错、高效的途径来处理流数据,同时还利用了Spark的简易编程模型。从真正意义上讲,Spark Streaming会将流数据转换成micro batches,从而将Spark批处理编程模型应用到流用例中。这种统一的编程模型让Spark可以很好地整合批量处理和交互式流分析。下图显示了Spark Streaming可以从不同数据源中读取数据进行分析。

Spark Streaming中的核心抽象是Discretized Stream(DStream)。DStream由一组RDD组成,每个RDD都包含了规定时间(可配置)流入的数据。图12很好地展示了Spark Streaming如何通过将流入数据转换成一系列的RDDs,再转换成DStream。每个RDD都包含两秒(设定的区间长度)的数据。在Spark Streaming中,最小长度可以设置为0.5秒,因此处理延时可以达到1秒以下。

Spark Streaming同样提供了 window operators,它有助于更有效率在一组RDD( a rolling window of time)上进行计算。同时,DStream还提供了一个API,其操作符(transformations和output operators)可以帮助用户直接操作RDD。下面不妨看向包含在Spark Streaming下载中的一个简单示例。示例是在Twitter流中找出趋势hashtags,详见下面代码。

spark-1.0.1/examples/src/main/scala/org/apache/spark/examples/streaming/TwitterPopularTags.scala
val sparkConf = new SparkConf().setAppName(“TwitterPopularTags”)
val ssc = new StreamingContext(sparkConf, Seconds(2))
val stream = TwitterUtils.createStream(ssc, None, filters)

上述代码用于建立Spark Streaming Context。Spark Streaming将在DStream中建立一个RDD,包含了每2秒流入的tweets。

val hashTags = stream.flatMap(status => status.getText.split(“ “).filter(_.startsWith(“#”)))

上述代码片段将Tweet转换成一组words,并过滤出所有以a#开头的。

val topCounts60 = hashTags.map((_, 1)).reduceByKeyAndWindow(_ + _, Seconds(60)).map{case (topic, count) => (count, topic)}. transform(_.sortByKey(false))

上述代码展示了如何整合计算60秒内一个hashtag流入的总次数。

topCounts60.foreachRDD(rdd => {
val topList = rdd.take(10)
println(“nPopular topics in last 60 seconds (%s
total):”.format(rdd.count())) topList.foreach{case (count, tag) => println(“%s (%s
tweets)”.format(tag, count))} })

上面代码将找出top 10趋势tweets,然后将其打印。

ssc.start()

上述代码让Spark Streaming Context 开始检索tweets。一起聚焦一些常用操作,假设我们正在从一个socket中读入流文本。

al lines = ssc.socketTextStream(“localhost”, 9999, StorageLevel.MEMORY_AND_DISK_SER)

更多operators请访问http://spark.apache.org/docs/latest/streaming-programming-guide.html#transformations

Spark Streaming拥有大量强大的output operators,比如上文提到的 foreachRDD(),了解更多可访问   http://spark.apache.org/docs/latest/streaming-programming-guide.html#output-operations

十、附加学习资源

原文链接:Apache Spark:An Engine for Large-Scale Data Processing  由OneAPM工程师翻译。(责编/仲浩)


分类: Apache 标签:

如今仍在工作的12名最“屌”的程序员

2015年7月14日 1 条评论

原文出处http://toutiao.com/a4711317778/

via VB, 快鲤鱼翻译

(编辑:Zoey)

人们每天使用的App,以及玩儿的电子游戏不是凭空就有的,而是程序员笔耕不辍,靠着他们一行行的代码开发出来的。

当然,那些App应用、网页、甚至是整个互联网本身,都需要依靠平台和硬件来运行。更重要的是,就连人们构建这些平台所需要的编程语言,其实也是需要有人开发出来。那么问题来了,站在编程金字塔顶端的那些人,都是谁呢?

1、Linus Torvalds,他在赫尔辛基大学的宿舍里开发了Linux,一款免费的操作系统。如今,Linux已经成为了全球很多大型数据中心,超级计算机,以及服务器群最受欢迎的操作系统。除此之外,很多Linux爱好者也热衷于安装这款操作系统。

如今仍在工作的12名最“屌”的程序员

Torvalds也以“毒舌”而闻名,在最近的某个访谈上,有一个听众会员询问Torvalds,是否他的这种性格会导致Linux社区会员离开,而他的回答令人惊诧,他说,“你们愿意离开就离开,我不在乎你们。”

2、在本文要介绍的这13名最牛程序员中,Tim Bemers-Lee爵士是唯一一个受到伊丽莎白女王二世授勋骑士爵位的程序员。他发明了超文本传输协议(HTTP),整个互联网,都是基于这项技术而建立起来的。

如今仍在工作的12名最“屌”的程序员

最近,Bemers-Lee的工作是负责廉价互联网联盟(Alliance for Affordable Internet),该项目是一个非营利性组织,由谷歌、Facebook,以及微软三家巨头联合发起,旨在为全世界提供更加廉价、实惠的宽带互联网服务。

3、Donald Knuth在计算机界的学术成就,已经让他被人们称之为“算法分析之父”。无论是Facebook上的news feed算法,还是亚马逊的推荐引擎,都是得益于他的工作成绩。

如今仍在工作的12名最“屌”的程序员

如今,他已经77岁了,Knuth 仍然在编写其多卷大作《计算机编程艺术》,该书最近一版是在2011年发行的。此外,他还是斯坦福大学的名誉退休教授。

4、Brendan Eich是JavaScript的发明者,这款编程语言已经成为了网页应用开发的标准程序语言。

如今仍在工作的12名最“屌”的程序员

最近,Brendan Eich成为了众多争论的源头,他曾在Mozilla公司(开发火狐浏览器的公司)担任过首席执行官一职,但是时间却没有太久,因为他曾给美国国家婚姻组织捐款,而该组织反对同性恋婚姻,而且也支持加州反同性恋婚姻提案Proposition 8,于是,在短暂的任期结束之后,他离职了。

5、Solomon Hykes是Docker创始人,Docker是一个非常火的技术,非常受程序员欢迎,因为他们使用Docker编写的代码可以在任何环境下运行。

如今仍在工作的12名最“屌”的程序员

实际上,Docker一开始只是一家名为dotCloud的公司的编外项目。但是当Docker逐渐变得热门,该公司开始转型,专门为Docker提供支持。最近有传言称Docker的估值已经超过了10亿美元。

6、马克扎克伯格最令人称奇的,就是他在哈佛大学的宿舍里开发了Facebook。如今Facebook的公司格言已经被人们所熟知,那就是“突破常规,快速前进”,这个格言依然引领了全世界的创业文化。

如今仍在工作的12名最“屌”的程序员

扎克伯格的个人哲学,就是要把全世界的人们都联系在一起,提升人们的社交参与度,正是基于这个理念,驱动Facebook不断前进。

7、丹麦程序员David Heinemeier Hansson(在程序员圈子里,他以DHH的名号闻名)开发了Ruby on Rails程序语言,这是一款非常受欢迎的网页程序框架,他依靠该语言赢得了谷歌授予的2005年度黑客的荣誉称号。

如今仍在工作的12名最“屌”的程序员

Hansson还是一名狂热的赛车手,他们2012年就开始参加勒芒24小时汽车耐力赛,并且在2014年成为了他那个级别里的第一名。

8、Richard Stallman从上世纪八十年代开始,就一直在为自由软件运动而奋斗,他开发了很多成功的项目,并且表示自己开发的程序和工具不属于任何一家公司。

如今仍在工作的12名最“屌”的程序员

Stallman最为人所熟知的,可能要数他提出的“非盈利版权”的理念,这套理念应用了美国的版权法,来确保软件可以在公共领域内应用,正是得益于Stallman,才促成了开源运动的兴起,让我们能够享用很多热门的技术,比如Docker,Linux,Hadoop,Spark,等等。

9、Bram Cohen在2001年发明了BitTorrent比特流协议,他开创了一个全新的领域,用户可以将大文件拆分成很多小块,不仅更加快速地下载,还可以同时下载。

如今仍在工作的12名最“屌”的程序员

BitTorrent非常流行,估计全世界的用户数量超过25亿。去年电台司令乐队(Radiohead)主唱Thom Yorke发表了一张新专辑,并且是在BitTorrent上独家发行,很快就让他赚到了数百万美元。当然,由于BitTorrent协议是匿名的,而且下载速度非常快,也让很多盗版音乐、电影、以及游戏非常猖獗。

10、James Gosling发明了Java语言,它和JavaScript一样,是全世界最受欢迎的编程语言。(实际上,除了名字之外,Java和JavaScript编程语言没有一点相似之处)。

如今仍在工作的12名最“屌”的程序员

Gosling是在Sun MicroSystems公司工作时发明了Java语言,该公司在2010年被业界巨头甲骨文公司收购。之后,Gosling离开了公司,开始不断抨击甲骨文公司。后来,他在谷歌公司短暂地工作了五个月时间,现在加入了一家名叫LiQuidRobotics的初创公司。

11、丹麦计算机科学家Bjarne Stroustrup在1978年发明了C++程序语言,他是在Dennis Ritchie发明的C语言基础上,新增了很多功能,让这款编程语言更容易被大众接受。

如今仍在工作的12名最“屌”的程序员

Stroustrup真的是个大忙人,他不仅是美国得克萨斯农机大学计算机科学学院下属工程学院院长,同时也是哥伦比亚大学访问教授,并在投资银行摩根士丹利工作。

12、John Carmack,id Software公司联合创始人,著名的Doom游戏创造者。此外他还是3D图像技术的先驱,如今仍然在这一领域工作。

如今仍在工作的12名最“屌”的程序员

现在,Carmack在Oculus VR公司担任首席技术官,该公司已经被Facebook收购,他将把自己在图形开发上的知识应用在下一代虚拟现实头盔上面。

 


Apache 之道

2011年5月28日 没有评论

作者:姜宁

  • Apache CXF committer, PMC member
  • Apache Camel committer, PMC member
  • Apache ActiveMQ committer

作者通过三个部分内容阐述了 The Apache Way:

1、Apache 软件基金会的介绍
2、Apache 之道是什么

  • 社区胜于代码 (Community over Code)
  • 任人为贤 (Meritocracy)
  • 共识决策 (Consensus)
  • 透明公开 (Transparency)
  • 非隶属关系 (Non-Affiliation)
  • 负责监督 (Responsible Oversight)

3、如何融入开源软件社区

  • 使用开源软件
  • 提交Bug报告
  • 完善开源社区文档
  • 参与邮件列表讨论
  • 成为开发者贡献代码

Apache 之道是 Apache 社区的文化体现,是一种重视协作的文化,Apache 已经成为协作开发的典范。

作者以其自身实际经历分享了他在Apache开源项目中的协作与成长,其理念不仅仅适用于开源软件社区,也同样适用于更为广泛的网络协作与分享,值得大家一读。


分类: Apache, Developers 标签: ,

Apache Beehive(蜂巢计划)

2006年5月28日 没有评论

Apache 蜂巢计划是在BEA Workshop应用框架基础上提出的开放源代码计划.

Apache 蜂巢计划是一个可扩展的Java应用框架,集成有元数据驱动的Web Services、Web应用和资源访问编程模型。该框架充分利用了JDK 1.5 的新技术,如 JSR 175的元数据注释。

Apache 蜂巢计划包括以下三部分:

1、NetUI/JPF

NetUI基于Apache Struts的Web框架,采用JSR-175元数据的编程模型。增加了自动状态管理、与控件集成、XMLBeans和Java Server Faces等新功能。

2、Metadata for Java Web Services

采用JSR-181规范,利用java方法和类中的JSR-175元数据注释来轻松构建Web服务。

3、 Java Control

基于注释JavaBeans的轻量级的组件框架,包含功能有:基于JavaBeans的客户端访问、利用JSR-175元数据和外部配置数据进行配置、资源自动管理、上下文服务、用于新建控件类型的可扩展编写模型。

目前Beehive 2.0 Planning …..


分类: Apache 标签:

ApacheCon Europe 2006

2006年5月28日 没有评论

The Apache Software Foundation kindly invites you to participate at ApacheCon Europe 2006 and get the latest information on all things Apache and meet an international crowd of Apache enthusiasts.

ApacheCon Europe 2006 will be held at the Burlington Hotel in Dublin, Ireland, June 26-30, 2006. The conference offers more than 70 top-quality sessions and 20 tutorials covering the whole spectrum of Apache projects and technologies.

Registration is open! Save money by registering prior to May 29, 2006 at www.eu.apachecon.com.


分类: Apache 标签:

Apache JDO 2.0 已发布

2006年5月26日 没有评论

Sun已决定将Java Data Objects (JDO)捐献给开源社区.且JDO规范的实现将包含在Apache JDO 项目中.

Apache JDO 包含以下子项目:

  • JDO 1.0 API. This is the standard definition of the JDO API as defined by the published JSR-12 standard.
  • JDO 1.1 Reference Implementation. This is a file-based, single-user store for persistent Java objects. The version number is 1.1 to reflect that the Java package has changed from com.sun.jdori to org.apache.jdo. The license terms have also changed.
  • JDO 1.1 Technology Compatibility Kit. This set of programs tests that a JDO 1.0 implementation is in compliance with the standard. The version number is 1.1 to reflect that the test framework has changed from JavaTest (a proprietary Sun package not suitable for open source projects) to JUnit, an open source test framework. The license terms have also changed.
  • JDO 2.0 API. This is the standard definition of the JDO API as defined by the JSR-243 standard currently under development.
  • JDO 2.0 Technology Compatibility Kit. This set of programs tests that a JDO 2.0 implementation is in compliance with the standard.
  • JDO 2.0 FOStore (File Object Store) implementation. This is an implementation of JDO 2.0 based on the JDO 1.0 Reference Implementation. It does not support relational data access, so it is inappropriate for the JDO 2.0 Reference Implementation. We are investigating SleepyCat for the back end. See SleepyCatIntegration for discussion of the JDO/SleepyCat integration.
  • JDO 2.0 Geronimo Integration. This project will build the glue between the JDO 2.0 Reference Implementation and the J2EE compliant application server. We expect to use a common persistence framework (Tranql) to provide both EJB3 and JDO persistence services.

由于时间的限制, JDO 2.0 的参考实现没有构建在Aapche项目中, 而是构建在 JPOX项目中.


分类: Apache 标签: