Spark Streaming——Spark第一代實時計算引擎

獨孤風發表於2020-08-06
Spark

雖然SparkStreaming已經停止更新，Spark的重點也放到了 Structured Streaming ，但由於Spark版本過低或者其他技術選型問題，可能還是會選擇SparkStreaming。
SparkStreaming對於時間視窗，事件時間雖然支撐較少，但還是可以滿足部分的實時計算場景的，SparkStreaming資料較多，這裡也做一個簡單介紹。

一． 什麼是Spark Streaming

Spark Streaming在當時是為了與當時的Apache Storm競爭，也讓Spark可以用於流式資料的處理。根據其官方文件介紹，Spark Streaming有高吞吐量和容錯能力強等特點。Spark Streaming支援的資料輸入源很多，例如：Kafka、Flume、Twitter、ZeroMQ和簡單的TCP套接字等等。資料輸入後可以用Spark的高度抽象原語如：map、reduce、join、window等進行運算。而結果也能儲存在很多地方，如HDFS，資料庫等。另外Spark Streaming也能和MLlib（機器學習）以及Graphx完美融合。
當然Storm目前已經漸漸淡出，Flink開始大放異彩。

Spark與Storm的對比

二、SparkStreaming入門

Spark Streaming 是 Spark Core API 的擴充套件，它支援彈性的，高吞吐的，容錯的實時資料流的處理。資料可以通過多種資料來源獲取，例如 Kafka，Flume，Kinesis 以及 TCP sockets，也可以通過例如 map，reduce，join，window 等的高階函式組成的複雜演算法處理。最終，處理後的資料可以輸出到檔案系統，資料庫以及實時儀表盤中。事實上，你還可以在 data streams（資料流）上使用 [機器學習] 以及 [圖計算] 演算法。
在內部，它工作原理如下，Spark Streaming 接收實時輸入資料流並將資料切分成多個 batch（批）資料，然後由 Spark 引擎處理它們以生成最終的 stream of results in batches（分批流結果）。

Spark Streaming 提供了一個名為 discretized stream 或 DStream 的高階抽象，它代表一個連續的資料流。DStream 可以從資料來源的輸入資料流建立，例如 Kafka，Flume 以及 Kinesis，或者在其他 DStream 上進行高層次的操作以建立。在內部，一個 DStream 是通過一系列的 [RDDs] 來表示。

本指南告訴你如何使用 DStream 來編寫一個 Spark Streaming 程式。你可以使用 Scala，Java 或者 Python（Spark 1.2 版本後引進）來編寫 Spark Streaming 程式。

在idea中新建maven專案

引入依賴

<dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-streaming_2.11</artifactId>
            <version>2.4.4</version>
        </dependency>

Project Structure —— Global Libraries —— 把scala 新增到 add module

新建Scala Class

import org.apache.log4j.{Level, Logger}
import org.apache.spark.SparkConf
import org.apache.spark.streaming.dstream.{DStream, ReceiverInputDStream}
import org.apache.spark.streaming.{Seconds, StreamingContext}


object Demo {

  //遮蔽日誌
  Logger.getLogger("org.apache")setLevel(Level.WARN)

  def main(args: Array[String]): Unit = {

    //local會有問題  最少兩個執行緒  一個拿資料 一個計算
    //val conf = new SparkConf().setAppName(s"${this.getClass.getSimpleName}").setMaster("local")
    val conf = new SparkConf().setAppName(s"${this.getClass.getSimpleName}").setMaster("local[2]")

    //時間間隔
    val ssc = new StreamingContext(conf,Seconds(1))

    //接收資料 處理

    //socket  demo
    val value: ReceiverInputDStream[String] = ssc.socketTextStream("localhost", 9999)


    val words: DStream[String] = value.flatMap(_.split(" "))

    val wordsTuple: DStream[(String, Int)] = words.map((_, 1))

    val wordcount: DStream[(String, Int)] = wordsTuple.reduceByKey(_ + _)

    //觸發action
    wordcount.print()

    ssc.start()

    //保持流的執行  等待程式被終止
    ssc.awaitTermination()

  }

}

測試

下載一個win10 用的netcat

https://eternallybored.org/misc/netcat/

下載netcat 1.12

解壓 在目錄下啟動cmd

輸入

nc  -L -p 9999

開始輸入單詞 在idea中驗證接收

原理

初始化StreamingContext

為了初始化一個 Spark Streaming 程式，一個 StreamingContext 物件必須要被建立出來，它是所有的 Spark Streaming 功能的主入口點。

import org.apache.spark._
import org.apache.spark.streaming._

val conf = new SparkConf().setAppName(appName).setMaster(master)
val ssc = new StreamingContext(conf, Seconds(1))

appName 引數是展示在叢集 UI 介面上的應用程式的名稱

master 是local 或者spark叢集的url（mesos yarn）

本地測試可以用local[*] 注意要多於兩個執行緒

Second（1）定義的是batch interval 批處理間隔 就是間隔多久去拿一次資料

在定義一個 context 之後,您必須執行以下操作。

  1. 通過建立輸入 DStreams 來定義輸入源。
  2. 通過應用轉換和輸出操作 DStreams 定義流計算（streaming computations）。
  3. 開始接收輸入並且使用 streamingContext.start() 來處理資料。
  4. 使用 streamingContext.awaitTermination() 等待處理被終止（手動或者由於任何錯誤）。
  5. 使用 streamingContext.stop() 來手動的停止處理。

需要記住的幾點:

  • 一旦一個 context 已經啟動，將不會有新的資料流的計算可以被建立或者新增到它。
  • 一旦一個 context 已經停止，它不會被重新啟動。
  • 同一時間內在 JVM 中只有一個 StreamingContext 可以被啟用。
  • 在 StreamingContext 上的 stop() 同樣也停止了 SparkContext。為了只停止 StreamingContext，設定 stop() 的可選引數，名叫 stopSparkContext 為 false。
  • 一個 SparkContext 就可以被重用以建立多個 StreamingContexts，只要前一個 StreamingContext 在下一個StreamingContext 被建立之前停止（不停止 SparkContext）。
Discretized Stream or DStream

Discretized Stream or DStream 是 Spark Streaming 提供的基本抽象。它代表了一個連續的資料流。可能是資料來源接收的流，也可能是轉換後的流。

DStream就是多個和時間相關的一系列連續RDD的集合，比如本例就是間隔一秒的一堆RDD的集合

DStream也是有依賴關係的

flatMap 操作也是直接作用在DStream上的，就和作用於RDD一樣 這樣很好理解

我們先來看資料來源接收的流 這種叫做Input DStreams 他會通過Receivers接收器去不同的資料來源接收資料。

Spark Streaming內建了兩種資料來源：

  • 基礎的資料來源：比如剛才用的socket接收 還有file systems
  • 高階的資料來源：比如kafka 還有flume kinesis等等

注意本地執行時，不要用local或者local[1],一個執行緒不夠。放到叢集上時分配給SparkStreaming的核數必須大於接收器的數量，留一個核去處理資料。

我們也可以自定義資料來源，那我們就需要自己開發一個接收器。

Transformations

在我們接收到Dstreams之後可以進行轉換操作，常見轉換如下：

Transformation（轉換） Meaning（含義）
map(func) 利用函式 func 處理原 DStream 的每個元素，返回一個新的 DStream。
flatMap(func) 與 map 相似，但是每個輸入項可用被對映為 0 個或者多個輸出項。。
filter(func) 返回一個新的 DStream，它僅僅包含原 DStream 中函式 func 返回值為 true 的項。
repartition(numPartitions) 通過建立更多或者更少的 partition 以改變這個 DStream 的並行級別（level of parallelism）。
union(otherStream) 返回一個新的 DStream，它包含源 DStream 和 otherDStream 的所有元素。
count() 通過 count 源 DStream 中每個 RDD 的元素數量，返回一個包含單元素（single-element）RDDs 的新 DStream。
reduce(func) 利用函式 func 聚集源 DStream 中每個 RDD 的元素，返回一個包含單元素（single-element）RDDs 的新 DStream。函式應該是相關聯的，以使計算可以並行化。
countByValue() 在元素型別為 K 的 DStream上，返回一個（K,long）pair 的新的 DStream，每個 key 的值是在原 DStream 的每個 RDD 中的次數。
reduceByKey(func, [numTasks]) 當在一個由 (K,V) pairs 組成的 DStream 上呼叫這個運算元時，返回一個新的，由 (K,V) pairs 組成的 DStream，每一個 key 的值均由給定的 reduce 函式聚合起來。注意：在預設情況下，這個運算元利用了 Spark 預設的併發任務數去分組。你可以用 numTasks 引數設定不同的任務數。
join(otherStream, [numTasks]) 當應用於兩個 DStream（一個包含（K,V）對，一個包含 (K,W) 對），返回一個包含 (K, (V, W)) 對的新 DStream。
cogroup(otherStream, [numTasks]) 當應用於兩個 DStream（一個包含（K,V）對，一個包含 (K,W) 對），返回一個包含 (K, Seq[V], Seq[W]) 的 tuples（元組）。
transform(func) 通過對源 DStream 的每個 RDD 應用 RDD-to-RDD 函式，建立一個新的 DStream。這個可以在 DStream 中的任何 RDD 操作中使用。
updateStateByKey(func) 返回一個新的 "狀態" 的 DStream，其中每個 key 的狀態通過在 key 的先前狀態應用給定的函式和 key 的新 valyes 來更新。這可以用於維護每個 key 的任意狀態資料。

這裡我們特別介紹一下updateStateByKey

我們如果需要對歷史資料進行統計，可能需要去kafka裡拿一下之前留存的資料，也可以用updateStateByKey這個方法。

//儲存狀態  聚合相同的單詞
    val  wordcount = wordsTuple.updateStateByKey[Int](
      //updateFunction _
      (newValues: Seq[Int], runningCount: Option[Int])=> {
        val newCount = Some(newValues.sum + runningCount.getOrElse(0))
        newCount
      }
    )

比如剛才的單詞計數，我們只能統計每一次發過來的訊息，但是如果希望統計多次訊息就需要用到這個，我們要指定一個checkpoint，就是從哪開始算。

//增加成員變數
val checkpointDir = "./ckp"

//在方法中加入checkpoint
ssc.checkpoint(checkpointDir)
    val value: ReceiverInputDStream[String] = ssc.socketTextStream("localhost", 9999)
    value.checkpoint(Seconds(4))//官方建議批次時間的1-5倍

這時候我們建立StreamingContext的方法就要改變了 我們把剛才的建立過程提取成方法。

def creatingFunc():StreamingContext = {

    val conf = new SparkConf().setAppName(s"${this.getClass.getSimpleName}").setMaster("local[*]")
    val ssc = new StreamingContext(conf, Seconds(1))

    ssc.checkpoint(checkpointDir)


    val value: ReceiverInputDStream[String] = ssc.socketTextStream("localhost", 9999)

    value.checkpoint(Seconds(4))//官方建議批次時間的1-5倍

    val words: DStream[String] = value.flatMap(_.split(" "))

    val wordsTuple: DStream[(String, Int)] = words.map((_, 1))


    //儲存狀態  聚合相同的單詞
    val  wordcount = wordsTuple.updateStateByKey[Int](
      //updateFunction _
      (newValues: Seq[Int], runningCount: Option[Int])=> {
        val newCount = Some(newValues.sum + runningCount.getOrElse(0))
        newCount
      }
    )

    //觸發action
    wordcount.print()
    ssc
  }

在mian函式中修改為：

def main(args: Array[String]): Unit = {
      val ssc = StreamingContext.getOrCreate(checkpointDir,creatingFunc _)
      ssc.start()
      //保持流的執行  等待程式被終止
      ssc.awaitTermination()
}

這樣就是，如果有checkpoint，程式會在checkpoint中把程式載入回來（程式被儲存為二進位制），沒有checkpoint的話才會建立。

將目錄下的checkpoint刪除，就可以將狀態刪除。

生產中updateStateByKey由於會將資料備份要慎重使用，可以考慮用hbase，redis等做替代。或者藉助kafka做聚合處理。

//如果不用updatestateByKey  可以考慮redis
    wordsTuple.foreachRDD(rdd => {
      rdd.foreachPartition(i =>
        {
          //redis
        }
      )
    })
視窗操作

Spark Streaming 也支援 _windowed computations（視窗計算），它允許你在資料的一個滑動視窗上應用 transformation（轉換）。

如上圖顯示，視窗在源 DStream 上 _slides（滑動），任何一個視窗操作都需要指定兩個引數：

  • window length（視窗長度） - 視窗的持續時間。
  • sliding interval（滑動間隔） - 執行視窗操作的間隔。

比如計算過去30秒的詞頻：

val windowedWordCounts = pairs.reduceByKeyAndWindow((a:Int,b:Int) => (a + b), Seconds(30), Seconds(10))

一些常用的視窗操作如下所示，這些操作都需要用到上文提到的兩個引數 - windowLength（視窗長度） 和 slideInterval（滑動的時間間隔）。

Transformation（轉換） Meaning（含義）
window(windowLength, slideInterval) 返回一個新的 DStream，它是基於 source DStream 的視窗 batch 進行計算的。
countByWindow(windowLength, slideInterval) 返回 stream（流）中滑動視窗元素的數
reduceByWindow(func, windowLength, slideInterval) 返回一個新的單元素 stream（流），它通過在一個滑動間隔的 stream 中使用 func 來聚合以建立。該函式應該是 associative（關聯的）且 commutative（可交換的），以便它可以平行計算
reduceByKeyAndWindow(func, windowLength, slideInterval, [numTasks]) 在一個 (K, V) pairs 的 DStream 上呼叫時，返回一個新的 (K, V) pairs 的 Stream，其中的每個 key 的 values 是在滑動視窗上的 batch 使用給定的函式 func 來聚合產生的。Note（注意）: 預設情況下，該操作使用 Spark 的預設並行任務數量（local model 是 2，在 cluster mode 中的數量通過 spark.default.parallelism 來確定）來做 grouping。您可以通過一個可選的 numTasks 引數來設定一個不同的 tasks（任務）數量。
reduceByKeyAndWindow(func, invFunc, windowLength, slideInterval, [numTasks]) 上述 reduceByKeyAndWindow() 的更有效的一個版本，其中使用前一視窗的 reduce 值逐漸計算每個視窗的 reduce值。這是通過減少進入滑動視窗的新資料，以及 “inverse reducing（逆減）” 離開視窗的舊資料來完成的。一個例子是當視窗滑動時”新增” 和 “減” keys 的數量。然而，它僅適用於 “invertible reduce functions（可逆減少函式）”，即具有相應 “inverse reduce（反向減少）” 函式的 reduce 函式（作為引數 invFunc </ i>）。像在 reduceByKeyAndWindow 中的那樣，reduce 任務的數量可以通過可選引數進行配置。請注意，針對該操作的使用必須啟用 checkpointing.
countByValueAndWindow(windowLength, slideInterval, [numTasks]) 在一個 (K, V) pairs 的 DStream 上呼叫時，返回一個新的 (K, Long) pairs 的 DStream，其中每個 key 的 value 是它在一個滑動視窗之內的頻次。像 code>reduceByKeyAndWindow 中的那樣，reduce 任務的數量可以通過可選引數進行配置。
Join操作

在 Spark Streaming 中可以執行不同型別的 join

val stream1: DStream[String, String] = ...
val stream2: DStream[String, String] = ...
val joinedStream = stream1.join(stream2)
//也可以用視窗
val windowedStream1 = stream1.window(Seconds(20))
val windowedStream2 = stream2.window(Minutes(1))
val joinedStream = windowedStream1.join(windowedStream2)
DStreams輸出操作

輸出操作允許將 DStream 的資料推送到外部系統，如資料庫或檔案系統。

會觸發所有變換的執行，類似RDD的action操作。有如下操作：

Output Operation Meaning
print() 在執行流應用程式的 driver 節點上的DStream中列印每批資料的前十個元素。這對於開發和除錯很有用。
Python API 這在 Python API 中稱為 pprint()。
saveAsTextFiles(prefix, [suffix]) 將此 DStream 的內容另存為文字檔案。每個批處理間隔的檔名是根據 字首 和 字尾_："prefix-TIME_IN_MS[.suffix]"_ 生成的。
saveAsObjectFiles(prefix, [suffix]) 將此 DStream 的內容另存為序列化 Java 物件的 SequenceFiles。每個批處理間隔的檔名是根據 字首 和 字尾_："prefix-TIME_IN_MS[.suffix]"_ 生成的。
Python API 這在Python API中是不可用的。
saveAsHadoopFiles(prefix, [suffix]) 將此 DStream 的內容另存為 Hadoop 檔案。每個批處理間隔的檔名是根據 字首 和 字尾_："prefix-TIME_IN_MS[.suffix]"_ 生成的。
Python API 這在Python API中是不可用的。
foreachRDD(func) 對從流中生成的每個 RDD 應用函式 func 的最通用的輸出運算子。此功能應將每個 RDD 中的資料推送到外部系統，例如將 RDD 儲存到檔案，或將其通過網路寫入資料庫。請注意，函式 func 在執行流應用程式的 driver 程式中執行，通常會在其中具有 RDD 動作，這將強制流式傳輸 RDD 的計算。
foreachRDD設計模式使用

dstream.foreachRDD允許將資料傳送到外部系統。

但我們不要每次都建立一個連線，解決方案如下：

減少開銷，分割槽分攤開銷

dstream.foreachRDD { rdd =>
  rdd.foreachPartition { partitionOfRecords =>
    val connection = createNewConnection()
    partitionOfRecords.foreach(record => connection.send(record))
    connection.close()
  }
}

更好的做法是用靜態資源池：

dstream.foreachRDD { rdd =>
  rdd.foreachPartition { partitionOfRecords =>
    // ConnectionPool is a static, lazily initialized pool of connections
    val connection = ConnectionPool.getConnection()
    partitionOfRecords.foreach(record => connection.send(record))
    ConnectionPool.returnConnection(connection)  // return to the pool for future reuse
  }
}

連線Kafka

Apache Kafka是一個高效能的訊息系統，由Scala 寫成。是由Apache 軟體基金會開發的一個開源訊息系統專案。

Kafka 最初是由LinkedIn 開發，並於2011 年初開源。2012 年10 月從Apache Incubator 畢業。該專案的目標是為處理實時資料提供一個統一、高通量、低等待（低延時）的平臺。

更多kafka相關請檢視Kafka入門寶典（詳細截圖版）

Spark Streaming 2.4.4相容 kafka 0.10.0 或者更高的版本

Spark Streaming在2.3.0版本之前是提供了對kafka 0.8 和 0.10的支援的 ，不過在2.3.0以後對0.8的支援取消了。

Note: Kafka 0.8 support is deprecated as of Spark 2.3.0.

spark-streaming-kafka-0-8 spark-streaming-kafka-0-10
Broker Version 0.8.2.1 or higher 0.10.0 or higher
API Maturity Deprecated Stable
Language Support Scala, Java, Python Scala, Java
Receiver DStream Yes No
Direct DStream Yes Yes
SSL / TLS Support No Yes
Offset Commit API No Yes
Dynamic Topic Subscription No Yes
Receiver

這裡簡單介紹一下對kafka0.8的一種支援方式：基於Receiver

依賴：

groupId = org.apache.spark
 artifactId = spark-streaming-kafka-0-8_2.12
 version = 2.4.4

import org.apache.spark.streaming.kafka._

 val kafkaStream = KafkaUtils.createStream(streamingContext,
     [ZK quorum], [consumer group id], [per-topic number of Kafka partitions to consume])

這種情況 程式停掉資料會丟失，為了不丟失自己又寫了一份，這種是很多餘的。

由於採用了kafka高階api，偏移量offset不可控。

Direct

Kafka 0.10.0版本以後,採用了更好的一種Direct方式，這種我們需要自己維護偏移量offset。

直連方式 並行度會更高 生產環境用的最多，0.8版本需要在zk或者redis等地方自己維護偏移量。我們使用0.10以上版本支援自己設定偏移量，我們只需要自己將偏移量寫回kafka就可以。

依賴

groupId = org.apache.spark
artifactId = spark-streaming-kafka-0-10_2.12
version = 2.4.4

kafka 0.10以後 可以將offset寫回kafka 我們不需要自己維護offset了，具體程式碼如下：

val conf = new SparkConf().setAppName("KafkaStreaming").setMaster("local[*]")
    val ssc = new StreamingContext(conf,Seconds(2))
    val kafkaParams = Map[String, Object](
      "bootstrap.servers" -> "localhost:9092,anotherhost:9092",
      "key.deserializer" -> classOf[StringDeserializer],
      "value.deserializer" -> classOf[StringDeserializer],
      "group.id" -> "use_a_separate_group_id_for_each_stream",
      //latest  none   earliest
      "auto.offset.reset" -> "earliest",
      //自動提交偏移量 false
      "enable.auto.commit" -> (false: java.lang.Boolean)
    )
    //val topics = Array("topicA", "topicB")
    val topics = Array("test_topic")
    val stream = KafkaUtils.createDirectStream[String, String](
      ssc,
      // 與kafka broker不在一個節點上  用不同策略
      //在一個節點用 PreferBrokers策略  很少見
      LocationStrategies.PreferConsistent,
      ConsumerStrategies.Subscribe[String, String](topics, kafkaParams)
    )
    stream.foreachRDD(rdd => {
      //普通的RDD不能強轉HasOffsetRanges   但kafkaRDD有 with這個特性 可以強轉
      val offsetRanges = rdd.asInstanceOf[HasOffsetRanges].offsetRanges
      //處理資料 計算邏輯
      rdd.foreachPartition { iter =>
        //一次處理一個分割槽的資料  獲取這個分割槽的偏移量
        //計算完以後修改偏移量  要開啟事務 類似資料庫 connection -> conn.setAutoCommit(false) 各種操作  conn.commit(); conn.rollback()
        //獲取偏移量  如果要自己記錄的話這個
        //val o: OffsetRange = offsetRanges(TaskContext.get.partitionId)
        //println(s"${o.topic} ${o.partition} ${o.fromOffset} ${o.untilOffset}")
        //處理資料
         iter.foreach(println)
      }
      //kafka 0.10新特性  處理完資料後  將偏移量寫回kafka
      // some time later, after outputs have completed
      //kafka有一個特殊的topic  儲存偏移量
      stream.asInstanceOf[CanCommitOffsets].commitAsync(offsetRanges)
    })

更多Flink，Kafka，Spark等相關技術博文，科技資訊，歡迎關注實時流式計算 公眾號後臺回覆 “電子書” 下載300頁Flink實戰電子書

相關文章