Spark Streaming实战

1.Storm 和 SparkStreaming区别

Storm	纯实时的流式处理，来一条数据就立即进行处理
SparkStreaming	微批处理，每次处理的都是一批非常小的数据
Storm支持动态调整并行度（动态的资源分配），SparkStreaming(粗粒度， 比较消耗资源)

 

Storm 优点 || 缺点

Storm 流式计算（扶梯）

    优点：数据延迟度很低，Storm的事务机制要比SparkStreaming的事务机制要完善（什么是事务机制？对于一条数据，不多处理也不少处理，对于一条数据恰好处理一次，比如金融，股票等要求实时性比较高，那么就需要选Storm）

    缺点：一直持有着资源，每一条数据都要在集群中某一台节点处理，要计算的数据会进行网络传输，吞吐量小，另外Storm不适合做复杂的业务逻辑（适合汇总）

SparkStreaming 优点 || 缺点

SparkStreaming 微批处理（类似于电梯），它并不是纯的批处理

    优点：吞吐量大，可以做复杂的业务逻辑(保证每个job的处理小于batch interval)

    缺点：数据延迟度较高

 

公司中为什么选用SparkStreaming要多一些？

    1.秒级别延迟，通常应用程序是可以接受的，

    2.可以应用机器学习，SparkSQL...可扩展性比较好，数据吞吐量较高

2.SparkStreaming

2.1什么是SparkStreaming?

    SparkStreaming是一个流式处理框架，处理的模式是微批处理（微批有多大？通过时间来设置这个批有多大[For example：Batch Interval 5s]）

    SparkStreaming基于DStream(Discretized Streams:离散的数据流)来进行编程，处理的是一个流，这个流什么时候切成一个rdd-->根据batchinterval来决定何时切割成一个RDD。

SparkStreaming 架构图

   job的个数是由output operator决定的，StreamContext底层封装了SparkContext

 

2.2图解SparkStreaming   ||   SparkStreaming执行流程

   从图上可以看到，Batch Interval的间隔是5s，也就是说每经过5s，SparkStreaming会将这5s内的信息封装成一个DStream,然后提交到Spark集群进行计算

执行流程

    第一个 DStream 里面是 0-5s 的数据，在第6s的时候会触发 DStream 的job执行，这时会另启动一个线程执行这个job(假设这个job只需要3s)，同时在6-10s期间继续接受数据，在第11s的时候会触发 DStream 的job的执行，这时会另启动一个线程执行这个job(假设这个job只需要3s)，同时在11-15s期间继续接受数据...

 

注意！

    如果这个job执行的时间大于5s会有什么问题？

    数据在5s内处理不完，又启动一个job，导致数据越积越多，从而导致 SparkStreaming down

2.3SparkStreaming代码TransformOperator

案例：过滤黑名单

    这里模拟了一份黑名单，SparkStreaming监控服务器中指定端口，时间设定为每5秒处理一次数据。每当job触发时，用户输入的数据与黑名单中的数据进行左外连接，然后过滤

 

node1 创建一个Socket Server

    nc -lk 8888 （页面停下了，开始输入数据进入8888端口，此时SparkStreaming监听这个端口）

    hello world

    hello jack

    hello tom(过滤tom)

result:

 

注意事项！

1.为什么会没有数据？

    因为只开启了一条线程（这里只有接收数据的线程），所以local的模拟SparkStreaming必须至少设置两个线程，new SparkConf().setMaster("local[2]").setAppName("TransformBlacklist");

 

2.Durations时间的设置--接收数据的延迟时间，多久触发一次job

final JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(5));

 

3.创建JavaStreamingContext有两种方式（sparkconf、sparkcontext）

 

4.业务逻辑完成后，需要有一个output operator，将SparkStreaming处理后的数据输出（HDFS,DBMS）

 

5.关于 JavaStreamingContext 的 start()   ||   stop()

      JavaStreamingContext.start() //straming框架启动之后是不能再添加业务逻辑

      JavaStreamingContext.stop() //无参的stop方法会将sparkContext一同关闭，解决办法：stop(false)

      JavaStreamingContext.stop()  //停止之后是不能在调用start()

 

6.DStreams(Discretized Streams--离散的流)，应用在每个DStream的算子操作，应用在RDD，应用在Partition，应用在Partition中的一条条数据，所以最终应用到每一条记录上

 

2.4Window窗口操作

window operation

普通的 每隔多长时间切割RDD

基于窗口的操作：每隔多长时间切割RDD，每隔多长时间计算一次，每次计算的量是多少

 

 

为什么需要有窗口操作？

   比如别人要求能够实时看到此刻之前一段时间的数据情况，如果使用批处理的话，那么我们只能固定一个整段时间然后对这个整段时间进行spark core的计算，但是别人的要求是每一个时刻都需要有结果，那么就需要窗口操作？但是窗口操作肯定会有很多的重复计算，这里有一个优化的地方（这个优化也不是必须的，视具体情况而定，比如说我们要查看最近30分钟最热门的头条，我们在设计的时候不可能每隔30分钟计算一次，这里定义了滑动窗口时间是1分钟，然而计算量是30分钟内的数据，那么肯定会有29分钟重复的数据计算）；但是优化的话就会有一个前提，必须要checkpoint

 

                                   每次计算都是最近15s的数据，基于这个特性（微博热点：最近30分钟内最热门的头条）

问题一：batch interval 5s,窗口大小可以是8s么？

    不行，有的batch就不能被窗口所包含，必须是batch interval的整数倍

问题二：滑动窗口时间 8s 可以么？

    必须是batch interval的整数倍

 

优化：如何避免time3被重复计算（图中time3在两个window中都被计算了），可以没有，但是有的话，就需要这种优化

                                             Batch Interval 1s   ||   窗口大小 5s   ||   滑动窗口 1s

 

思考：计算一个趋势的时候，需要基于滑动窗口的操作，是否必须要优化，避免重复计算？（未必）

For example：

    1.查看微博中每小时的热门微博，每隔1分钟计算一次，相当于重复计算了59分钟的内容

    2.商家想看前5分钟的销售额，每隔30秒看一次，也需要基于窗口的操作

2.5UpdateStateByKey

updateStateByKey的使用需要checkpoint,隔几次记录一次到磁盘中

UpdateStateByKey的主要功能

   1、Spark Streaming中为每一个Key维护一份state状态，这个state类型可以是任意类型的的， 可以是一个自定义的对象，那么更新函数也可以是任意类型的。

   2、通过更新函数对该key的状态不断更新，对于每个新的batch而言，Spark Streaming会在使用updateStateByKey的时候为已经存在的key进行state的状态更新（对于每个新出现的key，会同样的执行state的更新函数操作）

   3、如果要不断的更新每个key的state，就涉及到了状态的保存和容错，这个时候就需要开启checkpoint机制和功能 ( one.checkpoint(Durations.seconds(10)) //容错更好就需要牺牲性能，容错不需要太高，时间可以设置的长一些，（比如这里将checkpoint设置为10s,也就是每隔10s会将标记有checkpoint的RDD计算的结果持久化到磁盘，如果我们设置的Batch Interval = 5s, 在第15s时触发job进行计算， 但是在第17s时down, 这时候只能恢复到10s的数据，那么10s至17s的数据就丢失了，具体设置多少，视具体情况而定）)

 

UpdateStateByKey用处：统计广告点击流量，统计这一天的车流量...

 

案例：全面的广告点击分析UpdateStateByKeyOperator

    这里做了checkpoint操作，jsc.checkpoint("hdfs://ndoe1:8020/user/sscheckpoint");

    node1创建一个Socket Server，指定8888端口，SparkStreaming与服务器这个端口建立通信，那么用户的数据从这里流向SparkStreaming进行计算。

    在这个案例中，用以空格分割的单词来模拟用户点击的广告，每个单词代表一个广告，统计每一个广告（单词）出现的次数（就是WordCount）

 

    最后的conunts.print()    //output operator类型的算子

 

result:   利用SparkStreaming做到了微批处理，近似实时计算

查看hdfs，发现设置checkpoint会将SparkStreaming的处理结果进行了持久化

 

2.6reduceByKeyAndWindow

基于滑动窗口的热点搜索词实时统计--WindowOperator

    1.未优化的

    2.优化的必须要设置checkpoint的目录

以下是优化的过的reduceByKeyAndWindow

 

补充:

1.Spark master 8080端口 监控资源

              Drive 4040端口 监控任务，可以看到有一个Streaming job(它里面有一个线程，是一直运行的，负责接收我们的数据)

 

2.transform 和 foreachRDD 的区别？

   transform Transformation类型算子，transform非常厉害，可以拿到每一个DStream的rdd;这样就可以利用每一个rdd的所有算子来转换；甚至在里面应用spark core，或者将rdd转换成DataFrame来使用SparkSQL操作

   foreachRDD Action类型算子，对于每个RDD进行操作，什么时候会用？最后存结果的时候会用

 

3.transform取出DStream中的RDD

    使用transform将DStream中的RDD抽取出来，调用了RDD的Action类的算子（是可以执行的）是在Driver端执行的，如果不在Driver端执行，调用Action类的算子就不会触发一个job了

 

    对RDD的操作才会发送到Executor端执行，transform是对DStream进行操作(transform中抽取RDD，对这个RDD执行collect类型的数据，在job Generator时执行的，生成了多个job，以jobSet的形式发送给jobSecheduler)，这样的话就可以预警：对数据的预警，与标准进行比较，如果超过了这个标准就进行报警（一旦发现某个黑名单就立即进行报警，），整体的代码是在Driver端执行的，但是部分代码对RDD的操作是在Executor段执行的

    SparkContext sc = userClickRDD.context();

    Object obj = "可以来源于数据库，动态的更改广播变量"

    sc.broadCast(obj)

2.6SparkStreaming--Driver HA

2.6.1Driver也有可能挂掉，如何实现它的高可用？

 

      当一个Driver挂掉后，（回忆：当初的Master是由zookeeper进行托管），另外启动一个Driver，它就需要从上一个Driver中获得相关的信息(包括batch的进度，data的位置，job执行进度，DStream的Graph(基于DStream的业务逻辑))

 

      如何实现Driver的高可用-->基于HDFS上面的元数据（Driver的信息）进行恢复，注意！不会重新new SparkContext,因为这样相当于又创建了一个全新的Driver

2.6.2Driver HA的代码套路

    1.指定了去哪一个目录下面寻找Driver的元数据信息

    2.提交Application到集群中执行的时候，必须使用cluster模式，同时必须指定一个参数 --supervise（当某一个Driver挂掉，新的Driver需要另一个Driver中的信息来继续job的执行）

2.6.3监控HDFS上指定目录下文件数量的变化

示例代码SparkStreamingOnHDFS

    1.为了状态的保存和容错，开启了checkpoint机制，Driver HA

   2.ssc.textFileStream("hdfs://node1:8020/userhdfs/")   //监控hdfs上/user/hdfs的变化

 

命令：hadoop fs -put wc /user/hdfs

2.6.4SparkStreaming 监控 HDFS 上文件数量的变化，并将变化写入到MySql中

示例代码SparkStreamingOnHDFSToMySQL

   1.为了状态的保存和容错，开启了checkpoint机制，Driver HA

   2.ssc.textFileStream("hdfs://node1:8020/userhdfs/")   //监控hdfs上/user/hdfs的变化

3.Kafka

3.1Kafka定义

  Apache Kafka是一个高吞吐的集发布与订阅与一体的分布式消息系统

 

    流式处理的数据源是kafka，批处理的数据源是hive，也就是hdfs；

3.2消息队列常见的场景

    1.系统之间的解耦合

        -queue模型

        -publish-subscribe模型

 

    2.峰值压力缓冲，如果高峰期日志大量到SparkSreaming,那么会造成计算时间超过BatchInterval），可以在日志服务器和SparkStreaming中间加入Kafka，起到缓冲的作用

    3.异步通信

 

 

3.3Kafka的架构

    消费者的消费偏移量存储在zookeeper中，生产者生产数据，消费者消费数据，kafka并不会生产数据，但kafka默认一周删除一次数据。

    broker就是代理，在kafka cluster这一层这里，其实里面是有很多个broker

    topic就相当于Queue，Queue里面有生产者消费者模型

3.4Kafka的消息存储和生产消费模型

 

   topic:一个kafka集群中可以划分n多的topic,一个topic可以分成多个partition（这个是为了做并行的）, 每个partition内部消息强有序，其中的每个消息都有一个序号叫offset，一个partition对应一个broker,一个broker可以管多个partition，这个partition可以很简单想象为一个文件，当数据发过来的时候它就往这个partition上面append，追加就行，kafka和很多消息系统不一样，很多消息系统是消费完了我就把它删掉，而kafka是根据时间策略删除，而不是消费完就删除，在kafka里面没有一个消费完这么个概念，只有过期这样一个概念

   生产者自己决定往哪个partition写消息（轮循的负载均衡或者是基于hash的partition策略）

   消费者可以订阅某一个topic,这个topic一旦有数据，会将数据推送给消费者

3.5kafka   组内queue消费模型   ||   组间publish-subscribe消费模型

 

3.6kafka有哪些特点

3.7为什么Kafka的吞吐量高？

3.7.1 什么是Zero Copy?

   零拷贝”是指计算机操作的过程中，CPU不需要为数据在内存之间的拷贝消耗资源。而它通常是指计算机在网络上发送文件时，不需要将文件内容拷贝到用户空间（User Space）而直接在内核空间（Kernel Space）中传输到网络的方式

 

3.7.2 kafka采用零拷贝Zero Copy的方式

 

 

   从上图中可以清楚的看到，Zero Copy的模式中，避免了数据在内存空间和用户空间之间的拷贝，从而提高了系统的整体性能。Linux中的sendfile()以及Java NIO中

的FileChannel.transferTo()方法都实现了零拷贝的功能，而在Netty中也通过在

FileRegion中包装了NIO的FileChannel.transferTo()方法实现了零拷贝

3.8搭建Kafka集群--leader的均衡机制

 

 

Kafka中leader的均衡机制

    Kafka中一个topic有多个partition，如上图，kfk有0,1,2共三个partition，每个partition都有对应的leader来进行管理，对于leader1来说它来管理partition0，当leader1挂掉之后，因为partition0配置了副本数（在broker0,broker2还存在partition0的副本），那么此时会在broker0,broker2上选出一台当做leader继续管理partition0（比如说选取了broker2当做partition0的leader），这时候如果我们配置了leader均衡机制，重新恢复了broker1，那么partition0的leader就会从broker2转移到broker1，减轻了broker2的读取压力，实现了负载均衡。当然如果不开启leader均衡机制的话，重新恢复broker1，那么partition0的leader仍就是broker2。

 

Kafka中leader的均衡机制在哪里配置？

在server.properties添加如下一句话

auto.leader.rebalance.enable=true

3.9 Kafka_code注意事项

注意一：

    向kafka中写数据的时候我们必须要指定所配置kafka的所有brokers节点，而不能只配置一个节点，因为我们写的话，是不知道这个topic最终存放在什么地方，所以必须指定全，

    读取Kafka中的数据的时候是需要指定zk的节点，只需要指定一个节点就可以了；目前我们使用的在代码中直接写上这些节点，以后全部要写到配置文件中

注意二：

     kafka中存储的是键值对，即使我们没有明确些出来key，获取的时候也是需要利用tuple的方式获取值的；而对于放到一个kafka中的数据，这个数据到底存放到那个partition中呢？这个就需要使用hashPartition方式或者普通的轮询方式存放；对于没有明确指定key的发往kafka的数据，使用的就是轮询方式；

 

4.SparkStreaming + Kafka    两种模式--Receive模式    ||    Direct模式

Receive模式--SparkStreaming + Kafka 整体架构

 

                                    注意！每一步都是阻塞的，上一步完成之后才能进行下一步

流程：

1.接收数据(SparkStreaming作为消费者，如果订阅了一个topic,那么topic一有数据就会主动推送给SparkSreaming)

 

2.Executor将接收来的数据备份到其他Executor中（Executor中执行的job作为一个receiver,里面的task一直在接收kafka推送来的数据，然后将接收来的数据进行持久化，默认的持久化级别是MEMORY_DISK_SER_2）

 

3.Executor备份完成之后，向Driver中的ReceiverTracker汇报数据存储在哪一些的Executor中（Driver{ReceiverTracker,DAGScheduler,TaskScheduler}）

 

4.在zookeeper中更新消费偏移量

 

5.Driver负责分发task到数据所在的Executor中执行（达到移动计算，而不是移动数据）

 

注意！

    1.在SparkStreaming中Driver一旦挂掉，它下面的Executor也会挂掉

       如果在第四步完成后，Driver挂掉了，会有什么问题？

            其实数据并没有被处理，数据就丢了，因此kafka的事务机制并不完善

       因此对于如上这种情况，提供了一个解决方案，就是WAL机制（WriteAheadLog--预写机制） 

       但是WAL机制有什么问题？（每一次接收来的数据，都要往HDFS上写一份，性能会有所下降）

 

代码示例

SparkStreamingOnKafkaReceiver

SparkStreamingDataManuallyProducerForKafka

   需要启动HDFS

Direct模式

    SparkStreaming和Kafka直接连接，SparkStreaming去Kafka去pull数据，这个消费偏移量由SparkStreaming自己来维护（实际上通过checkpoint来管理的，checkpoint和job是异步的，总的来时SparkStreaming的事务机制并不是很完善），避免了数据的丢失（相对而言，不是绝对的）

 

并行度：

      1.linesDStream里面封装的是RDD，RDD里面有partition,RDD里面的partition与这个topic的partition是一一对应的

      2.从kafka中读来的数据，封装到一个DStream中，可以对这个DStream重分区，lines.repartition(10),增加partition的数量，提高并行度。

 

并行度：

    batch->rdd->DStream

    batchInterval 5s

    blockInterval = 200ms

    

    batch = 25block

    将一个blockInterval设置的小一些，有更多的block，对应更多的split，也就有更多的partition，从而提高并行度

官方建议：blockInterval不要低于50ms,否则batchInterval/blockInterval 得到的block过多，partition就过多，启动多个线程并行计算，影响执行job的性能

 

Receive模式    ||    Direct模式   最大的不同：消费偏移量谁来管理