PySpark适配GaussDB开源开发任务
1 背景介绍
开源for Huawei（参考：https://developer.huaweicloud.com/programs/opensource/contributing/） 通过和公司、高校、社区的开发者合作，完成鲲鹏、昇腾、欧拉、鸿蒙、高斯、云服务等与开源软件的适配开发，帮助繁荣Huawei的基础生态，同时让开源软件能够更加简单、高效的运行于华为云上。
开始之前，开发者可以下载 开源for Huawei Wiki（参考：https://gitcode.com/HuaweiCloudDeveloper/OpenSourceForHuaweiWiki/overview） 了解详细的开发步骤，技术准备，以及开发过程需要的各种资源。
1 需求分析
1.1 项目影响力
随着大数据时代的来临，数据规模的不断扩大和复杂度的提升，传统的数据处理工具已经无法满足需求。为了应对这一挑战，Apache Spark作为一款快速、通用的大数据处理引擎应运而生。而PySpark，作为Spark的Python API，凭借其简洁易懂的语法和强大的功能，成为了大数据处理领域的热门选择。PySpark是Apache Spark的Python库，它提供了Spark的所有核心功能，包括RDD（弹性分布式数据集）、DataFrame、SQL、MLlib（机器学习库）和GraphX（图计算库）。PySpark允许开发者使用Python语言编写Spark应用程序，从而简化了大数据处理过程，降低了学习门槛。PySpark具有高效性、易用性、集成性强、社区支持。
项目数据：Fork 28.2k，Star 39.5k，Contributors 2109+，最近一次提交：2024-10-11
star历史（https://star-history.com/）：
1.2 任务目的和范围
本任务的主要目的是让PySpark支持华为云 GuassDB数据库，拓展GuassDB数据库的影响力，让PySpark的用户使用华为云服务时能够顺利对接GuassDB数据库。同时，该任务也方便用户在云上做方案选型的时候，可以选择华为云GuassDB数据库，避免用户安装多个类型的数据库，缩短开发周期。
l 适配任务清单
|
生态 |
生态细类 |
是否需要验证 |
验证逻辑说明 |
是否需要适配 |
适配场景说明 |
|
昇腾生态 |
指令 |
否 |
使用昇腾处理器运行应用。 |
否 |
使用昇腾指令实现适配逻辑。 |
|
CANN |
否 |
应用功能依赖于CANN运行。 |
否 |
使用CANN实现适配逻辑。 |
|
|
MindSpore |
否 |
应用功能依赖于MindSpore运行。 |
否 |
使用MindSpore实现适配逻辑。 |
|
|
鲲鹏生态 |
指令 |
是 |
使用鲲鹏处理器运行应用。 |
否 |
使用鲲鹏指令实现适配逻辑。 |
|
Euler |
是 |
使用Euler系统运行应用。 |
否 |
使用Euler系统调用实现适配逻辑。 |
|
|
数据库生态 |
GaussDB |
是 |
使用GaussDB功能。 |
是 |
使用GaussDB的驱动和SQL实现适配逻辑。 |
|
|
GaussDB(DWS) |
否 |
使用GaussDB增加 源码地址：https://github.com/。。。 官网主页：https:// 。。。 主要开发语言：。。。 维护者： (选填)（DWS）功能。 |
否 |
使用GaussDB(DWS)的驱动和SQL实现适配逻辑。 |
|
存储生态 |
OBS |
否 |
使用OBS功能。 |
否 |
基于OBS API访问实现适配逻辑。 |
|
鸿蒙生态 |
HarmonyOS |
否 |
使用HarmonyOS系统运行应用。 |
否 |
使用HarmonyOS系统调用实现适配逻辑。 |
2 工作量评估及任务分解
2.1 工作量评估
|
任务 |
人/天 |
|
基于华为云ECS完成PySpark安装和部署 |
2 |
|
完成GaussDB适配功能设计和开发 |
5 |
|
完成DEMO验证 |
1 |
|
输出开发资料和博客 |
1 |
|
代码推送上游社区和发布版本 |
2 |
|
总计 |
11人天 |
2.2 基于华为云ECS完成PySpark的安装和部署
DEMO的简单部署图如下：
架构图：
2.3 完成GaussDB数据库适配功能设计和开发
参考现有Apache Pyspark架构，完成2个功能点的分析和适配工作。
1.在GitCode完成项目Fork，并完成GaussDB数据库适配需要的脚本和代码开发(包括Apache Pyspark从GaussDB读取数据和写数据)
2.提供Pyspark镜像，使用该镜像，能够对接GaussDB数据库
2.4 DEMO部署和验证
根据DEMO设计，完成演示功能开发和部署。要求使用CCE容器（Euler镜像）进行部署；
PySpark任务执行从GaussDB读取数据以及写入数据。
2.5 在华为云开发者论坛输出博客
访问华为云开发者论坛（参考：https://bbs.huaweicloud.com/blogs）发表博客，介绍完成这些任务的过程和心得。
内容包括不限于如下内容：
- 开源for Huawei的背景
- 开源软件的功能介绍
- 开发适配过程及碰到和解决的问题
- DEMO设计、开发、部署过程
- 代码推送开源社区及互动过程
博客打上如下标签：
- 开源（必选）
- 开发者（必选）
- GaussDB数据库（可选）
- 云数据库 GaussDB（可选）
- 鲲鹏（可选）
- 昇腾（可选）
- 鸿蒙（可选）
2.6 代码推送上游社区
将代码合并到PySpark官网主干代码；更新PySpark官网资料，包括版本说明、开发指南等。
3 任务评分和验收材料
l 任务价值和难度评分（1~5等）
|
定级维度 |
定级细则 |
定级说明 |
权重 |
结果 |
备注 |
|
项目影响力 |
1、项目价值潜力： |
入选基金会的开源项目通常代表技术趋势，能更好识别潜在价值项目，开源基金会包括：Apache基金会、CNCF基金会、开源原子基金会、Linux基金会等 |
5.00% |
|
|
|
2、社区代码活跃度： |
代码在社区中的star数、fork数，代表者社区开发者关注度和参与度，通过对star&fork数进行分级，有利于评估开源项目在开发者中影响力 |
5.00% |
|
|
|
|
3、开源项目托管仓库： |
引导开发者积极使用GitCode国内开源社区，以及不同社区的代码同步 |
5.00% |
|
|
|
|
4、项目发展潜力： |
扶植优秀的新星项目与华为技术生态做适配 |
5.00% |
|
|
|
|
开发复杂度 |
开发复杂度，用开发过程中涉及的代码量来体现： |
开发复杂度主要受开发语言复杂度、代码算法复杂度、项目技术资料完整度、部署方式等多种因素的综合影响，故经DTSE分析最终决定根据具体开源项目代码量进行评估 |
60.00% |
|
|
|
商业化准备度 |
1、商用案例： |
支持商用项目POC甚至是完整交付过程中，需要持续提供技术支持直至落地 |
20.00% |
|
|
|
最终定级结果 |
|
|
0 |
|
|
l 验收评分（总分100分）
|
验收细则 |
评分说明 |
是否为验收必选项 |
结果（通过/不通过） |
开发者举证 |
|
功能开发：完成与华为三大根技术生态（鲲鹏云、昇腾云、鸿蒙）适配的功能开发 |
完成GaussDB数据库适配功能开发。 |
是 |
||
|
代码质量：适配华为三大根技术生态的代码质量经过工具检测达标 |
推送给开源社区的代码符合开源社区关于代码风格、功能、自动化测试等要求。 |
是 |
||
|
提供相关文档，比如部署文档、使用文档、配置文档等 |
根据社区要求，完善相关的开发指南和部署指导 |
否 |
||
|
合入到开源项目主仓：代码推送上游社区 |
代码合并到当前主干分支。 |
是 |
||
|
Deomo设计&开发：完成功能演示Demo的开发 |
提供DEMO仓库地址。 |
是 |
||
|
Demo部署&验证：完成功能演示DEMO基于华为云鲲鹏环境的部署和功能验证 |
提供DEMO部署验证结果的关键截图进行举证。提供DEMO运行环境和资源的截图举证。 |
是 |
||
|
发布博客：发布博客介绍适配心得。 |
提供博客的地址。 |
是 |
||
|
制作单机版无高危开源镜像。 |
上架云商店。 |
否 |
||
|
单机版镜像上架时支持模板部署。 |
否 |
|||
|
制作集群版无高危开源镜像 |
上架云商店。 |
否 |
||
|
集群版镜像上架时支持模板部署 |
否 |
4 参考资料
- 开源for Huawei介绍、环境搭建、示例项目、开发和部署指南：https://gitcode.com/HuaweiCloudDeveloper/OpenSourceForHuaweiWiki/overview
- 点赞
- 收藏
- 关注作者
评论（0）