当前位置:技术分享 > 技术参考 > 正文

Spark Streaming 技术点汇总2018-09-26 15:32:17 | 编辑:hely | 查看: | 评论:0

Spark Streaming 支持实时数据流的可扩展(Scalable)、高吞吐(high-throughput)、容错(fault-tolerant)的流处理(stream processing)。

Spark Streaming 支持实时数据流的可扩展(Scalable)、高吞吐(high-throughput)、容错(fault-tolerant)的流处理(stream processing)。

 

 

架构图

特性如下:

•  可线性伸缩至超过数百个节点;

•  实现亚秒级延迟处理;

•  可与 Spark 批处理和交互式处理无缝集成;

•  提供简单的API实现复杂算法;

•  更多的流方式支持,包括 Kafka、Flume、Kinesis、Twitter、ZeroMQ 等。

001、原理

Spark 在接收到实时输入数据流后,将数据划分成批次(divides the data into batches),然后转给 Spark Engine 处理,按批次生成最后的结果流(generate the final stream of results in batches)。

 

 

002、API

DStream:

DStream(Discretized Stream,离散流)是 Spark Stream 提供的高级抽象连续数据流。

组成:一个 DStream 可看作一个 RDDs 序列。

核心思想:将计算作为一系列较小时间间隔的、状态无关的、确定批次的任务,每个时间间隔内接收的输入数据被可靠存储在集群中,作为一个输入数据集。

 

 

特性:一个高层次的函数式编程 API、强一致性以及高校的故障恢复。

应用程序模板:

模板1

 

 

模板2

 

 

WordCount示例

 

 

Input DStream:

Input DStream 是一种从流式数据源获取原始数据流的 DStream,分为基本输入源(文件系统、Socket、Akka Actor、自定义数据源)和高级输入源(Kafka、Flume等)。

Receiver:

每个 Input DStream(文件流除外)都会对应一个单一的 Receiver对象,负责从数据源接收数据并存入 Spark 内存进行处理。应用程序中可创建多个 Input DStream 并行接收多个数据流。

每个 Receiver 是一个长期运行在Worker或者 Executor 上的 Task,所以会占用该应用程序的一个核(core)。如果分配给 Spark Streaming 应用程序的核数小于或等于 Input DStream 个数(即Receiver个数),则只能接收数据,却没有能力全部处理(文件流除外,因为无需Receiver)。

Spark Streaming 已封装各种数据源,需要时参考官方文档。

Transformation Operation

常用Transformation

 

 

updateStateByKey(func)

updateStateByKey可对DStream中的数据按key做reduce,然后对各批次数据累加

WordCount的updateStateByKey版本

 

 

transform(func)

通过对原 DStream 的每个 RDD 应用转换函数,创建一个新的 DStream。

官方文档代码举例

 

 

Window operations

窗口操作:基于 window 对数据 transformation(个人认为与Storm的tick相似,但功能更强大)。

参数:窗口长度(window length)和滑动时间间隔(slide interval)必须是源DStream 批次间隔的倍数。

举例说明:窗口长度为3,滑动时间间隔为2;上一行是原始 DStream,下一行是窗口化的 DStream。

 

 

常见 window operation

 

 

官方文档代码举例

 

 

join(otherStream, [numTasks])

连接数据流

官方文档代码举例1

 

 

官方文档代码举例2

 

 

Output Operation

 

 

缓存与持久化:

通过 persist()将 DStream 中每个 RDD 存储在内存。

Window operations 会自动持久化在内存,无需显示调用 persist()。

通过网络接收的数据流(如Kafka、Flume、Socket、ZeroMQ、RocketMQ等)执行 persist()时,默认在两个节点上持久化序列化后的数据,实现容错。

Checkpoint:

用途:Spark 基于容错存储系统(如HDFS、S3)进行故障恢复。

分类:

元数据检查点:保存流式计算信息用于 Driver 运行节点的故障恢复,包括创建应用程序的配置、应用程序定义的 DStream operations、已入队但未完成的批次。

数据检查点:保存生成的 RDD。由于 stateful transformation 需要合并多个批次的数据,即生成的 RDD 依赖于前几个批次 RDD 的数据(dependency chain),为缩短 dependency chain 从而减少故障恢复时间,需将中间 RDD 定期保存至可靠存储(如HDFS)。

使用时机:

Stateful transformation:updateStateByKey()以及 window operations。

需要 Driver 故障恢复的应用程序。

003、使用方法

Stateful transformation

 

 

需要 Driver 故障恢复的应用程序(以WordCount举例):如果 checkpoint 目录存在,则根据 checkpoint 数据创建新 StreamingContext;否则(如首次运行)新建 StreamingContext。

 

 

checkpoint 时间间隔

方法:

 

 

原则:一般设置为滑动时间间隔的5-10倍。

分析:checkpoint 会增加存储开销、增加批次处理时间。当批次间隔较小(如1秒)时,checkpoint 可能会减小 operation 吞吐量;反之,checkpoint 时间间隔较大会导致 lineage 和 task 数量增长。

004、性能调优

降低批次处理时间:

数据接收并行度

增加 DStream:接收网络数据(如Kafka、Flume、Socket等)时会对数据反序列化再存储在 Spark,由于一个 DStream 只有 Receiver 对象,如果成为瓶颈可考虑增加 DStream。

 

 

设置“spark.streaming.blockInterval”参数:接收的数据被存储在 Spark 内存前,会被合并成 block,而 block 数量决定了Task数量;举例,当批次时间间隔为2秒且 block 时间间隔为200毫秒时,Task 数量约为10;如果Task数量过低,则浪费了 CPU 资源;推荐的最小block时间间隔为50毫秒。

显式对 Input DStream 重新分区:在进行更深层次处理前,先对输入数据重新分区。

 

 

数据处理并行度:reduceByKey、reduceByKeyAndWindow 等 operation 可通过设置“spark.default.parallelism”参数或显式设置并行度方法参数控制。

数据序列化:可配置更高效的 Kryo 序列化。

设置合理批次时间间隔

原则:处理数据的速度应大于或等于数据输入的速度,即批次处理时间大于或等于批次时间间隔。

方法:

先设置批次时间间隔为5-10秒以降低数据输入速度;

再通过查看 log4j 日志中的“Total delay”,逐步调整批次时间间隔,保证“Total delay”小于批次时间间隔。

内存调优

持久化级别:开启压缩,设置参数“spark.rdd.compress”。

GC策略:在Driver和Executor上开启CMS。

上一篇:SparkSQL大数据实战:揭开Join的神秘面纱 超越Spark,大数据集群计算的生产实践下一篇:

公众平台

搜索"raincent"或扫描下面的二维码