<Spark><Spark Streaming>

Overview

• Spark Streaming为用户提供了一套与batch jobs十分相似的API，以编写streaming应用
• 与Spark的基本概念RDDs类似，Spark Streaming提供了被称为DStreams/discretized streams的抽象。
• DStream is a sequence of data arriving over time. 其本质是，每个DStream被表示成来自每个时间阶段的RDDs的序列，因此被称为离散的。
• DStreams可以从各种输入数据源创建，比如Flume, Kafka, or HDFS

一旦创建，DStream提供两种类型的操作：[DStreams提供很多与RDD上类型的操作，同时还有新的关于时间的操作，比如sliding-windows]

• transformations: which yield a new DStreams
• ouput operations: which write data to an external system
• 与批处理不同的是，Spark Streaming还需要额外的setup来operate 24/7。稍后我们会讨论checkpointing: the main mechanism Spark Streaming provides for this purpose, which lets it store data in a reliable file system such as HDFS.稍后我们会讨论如何在失败时重启，或者如何自动重启。

A Simple Example

• 首先要创建一个StreamingContext。这也在下层创建了一个SparkContext用来处理数据。这其中我们会指定一个batch interval作为输入来确定处理新数据的频率。
• 然后使用socketTextStreams()来创建一个基于文本数据的DStream

// Create a Streming filter for printing lines containing "error" in Scala
val ssc = new StreamingContext(conf, Seconds(1))
// Create a DStream using data received after connecting to port 777 on the local machine
val lines = scc.socketTextStream("localhost", 7777)
// Filter our DStreams for lines with "error"
val errorLines = lines.filter(_.contains("error"))
//Print out the lines with errors
errorLines.print()

• 以上程序只有在系统接收到数据的时候才会开始计算。为此，我们必须显式地调用ssc.start()。然后SparkStreaming会基于底层的SparkContext开始调度这个Spark jobs。这些是在一个单独的线程发生的。为了防止程序退出，我们还需要调用awaitTermination来等待Streaming计算完成。

// Start our streaming context and wait for it to "finish"
ssc.start()
// Wait for the job to finish
ssc.awaitTermination()

• 注意一个streaming context只能被start一次，并且必须在所有DStreams设置好了之后启动

Architecture and Abstraction

• Spark Streaming使用“micro-batch”架构，streaming计算被当做一些列连续的batch computations on small batches of data.
• Spark Streaming从多种数据源接收数据并把他们分成small batches。新的batches在固定时间间隔内被创建。
• 每个输入batch组成一个RDD，并通过Spark jobs来处理，被处理好的结果可以被pushed out到外部系统。

• 容错：和RDDs类似，只要输入数据的一个copy有效，那么它可以通过RDDs的lineage重计算。缺省情况下，received data在两个nodes上都有副本，所以SparkStreaming可以容忍single worker failures。但是如果仅仅使用lineage，那么recomputation可能会耗费很多时间。因此，SparkStreaming提供了checkpointing机制来周期地存储状态到reliable文件系统(HDFS or S3)。典型地，你可以每5-10个batches的数据创建一个checkpointing。

Transformations

• DStreams上的Transformations可以分为stateless和stateful两类：
  • 对stateless transformations，对每个batch的处理不依赖于之间的batches数据。这些包括了普通的RDD transformations：map(), filter(), reduceByKey()
  • Stateful transformations, 相比之下会使用之前batches的数据或中间结果来得到当前batch的结果。这包括了一些基于sliding window和时间状态追踪的transformations。

Stateless Transformations

• 无状态的Transformations只是简单地被应用到每个batch--也就是DStream中的每个RDD。
• eg：在如下的log processing程序中，我们使用map()和reduceByKey()来对每个时间阶段统计log events　　

// Assumes ApacheAccessLog is utility class for parsing entries from Apache logs
val accessLogDStream = logData.map(line => ApacheAccessLog.parseFromLogLine(line))
val ipDStream = accessLogsDStream.map(entry => (entry.getIpAddress(), 1))
val ipCountsDStream = ipDStream.reduceByKey((x, y) => x +y)

Stateful Transformations

• 有状态的transformations主要有两种：
  • windowed operations：which act over a sliding window of time periods
  • updateStateByKey(): which is used to track state across events for each key(eg: to build up an object representing each user session.)
• 有状态的transformation需要开启checkpointing来容错。

Windowed transformation

• 基于窗口的操作所处理的时间段长于StreamingContext的batch interval --> 通过合并多个batches的结果。
• 所有基于窗口的操作需要两个参数：【这两个值都要是batch interval的倍数
  • window duration：控制考虑多少个previous batches of data
  • sliding duration: 控制一个新的DStream计算结果的频率

UpdateStateByKey transformation

• 有时候需要在一个DStream的batches之间维护一个状态。
• updateStateByKey()提供一个访问DStreams状态变量的键值对。
• eg：对于日志文件，我们可以追踪每个userID(key)的最后访问的10个页面。也就是说这最后10个页面组成的list使我们的"state"对象，我们在每次事件到达的时候update。
• 使用方式：调用update(events, oldState)，返回newState。【
  • events： a list of events that arrived in the current batch(may be empty)
  • oldState: an optional state object, stored within an Option; it might be missing if there was no previous state for the key.
  • newState: 函数返回值，也是一个Option。我们可以返回一个空Option，来表示我们要删除该状态。
• eg：key是HTTP response code， state是integer表示count，events是page views。这里我们保留的是从程序开始的所有count。

def updateRunningSum(values: Seq[Long], state: Option[Long]) = {
    Some(State.getOrElse(0L) + values.size)
}

val responseCodeDSrteam = accessLogsDStream.map(log => (log.getResponseCode(), 1L))
val responseCodeCountDStream = responseCodeDStream.updateStateByKey(updateRunningSum _)

Output Operations

ipAddressRequeseCount.foreach { rdd =>
    rdd.foreachPartition { partition =>
        // Open connection to storage system(e.g. a database connection)
        partition.foreach{ item =>
            // Use connection to push item to system
        }
       // Close connection
    }
}

Input Sources

Core Sources

• 可以从core sources创建DStream的方法are all available on the StreamingContext.

Stream of files

• 因为Spark支持从任意Hadoop-compatible文件系统中读取，所以Spark Streaming天然地允许从这些FS中创建stream。这种情况很常见，因为它支持variety of backends,尤其是我们会赋值到HDFS的log data。
• TBD...

Akka actor stream

• TBD...

Additional Sources

• 包括Twitter，Apache Kafka，Amazon Kinesis， Apache Flume以及ZeroMQ

Apache Kakfa

• TBD...

Apache Flume

• Spark对Flume有两种不同的receiver：
  • Push-based receiver：the receiver acts as Avro sink that Flume pushes data to.
  • Pull-based receiver: the receiver can pull data from an intermediate custom sink, to which other processes are pushing data with Flume.

Push-based receiver

• 这种push-based方法可以快速安装，但是没有使用事务来接收数据。
• 缺点很明显：就是没有使用事务，那么很有可能在worker node失效的时候丢失数据。并且如果配置了receiver的worker彻底fail掉的话，系统需要试图在另一个位置launch a receiver，这种配置是十分困难的。

Pull-based receiver

• 这种方法is preferred for resiliency(弹性)，并且数据保存在sink直到SparkStreaming读取并复制掉。整个过程会用事务来维护。
• TBD...

Multiple Sources and Cluster Sizing

• 我们可以使用union()方法来combine多个DStreams的数据
• TBD...

24/7 Operation

• Spark Streaming的一个主要优点就是它提供了很强的容错保证。
• 只要输入数据stored reliably，Spark Streaming总可以计算得到正确的结果 --> 即使有worker or dirver fail掉，也会像没有nodes fail一样得到结果。
• 为了使Spark Streaming 24/7, 你需要进行一些特殊的setup。
  • 第一步就是setting up checkpointing to a reliable storage system, such as HDFS or Amazon S3.
  • 除此之外，你还要考虑driver program的容错问题，以及输入源的unreliable。

Checkpointing

• checkpointing是Spark Streaming最主要的容错机制。
• 它允许Spark Streaming周期地将数据存储到可信赖的存储系统。
• 具体地，checkpointing有两个目的：
  • 减少在失败时的recompute。像之前介绍的，Streaming会使用transformation的lineage图来recompute，但是checkpointing可以控制它必须要go back多远
  • 为driver提供容错。如果driver program crashes，你可以再启动它，并且告诉它去从一个checkpoint恢复。这样Spark Streaming就会读取该program已经处理了多少了，并且从这里继续。

    ssc.chepoint("hdfs://...")

• 注： 在local模式你可以使用本地文件系统，但是对于生产环境，你需要使用a replicated system, 比如HDFS，S3，NFS filer。

Driver Fault Tolerance

• Driver节点的容错需要用特殊的方式创建StreamingContext，其中包含checkpoint目录；
• 用StreamingContext.getOrCreate()方法代替new StreamingContext方式。如下：

def createStreamingContext() = {
    ...
    val sc = new SparkContext(conf)
    // Create a StreamingContext with a 1 second batch size
    val scc = new StreamingContext(sc, Seconds(1))
    scc.checkpoint(checkpointDir)
}
...
val scc = StreamingContext.getOrCreate(checkpointDir, createStreamingContext _)

• 以上，除了使用getOrCreate()方法，我们还需要在crashes后实际地去restart driver程序。很多cluster manager都不会自动地relaunch the driver，所以你需要监控并重启它。

Worker Fault Tolerance

• 对于worker node失效，Spark Streaming使用和Spark一样的技术。
• 也就是说，所有从外部数据源获取的数据会在Spark workers之间复制。因而这些数据通过transformation所创建的RDDs都可以通过RDD lineage recompute。

Receiver Fault Tolerance

• receiver的容错性取决于source的特性(source是否可以resend数据)，以及receiver的实现(receiver是否向source更新是否收到数据)。
• 通常来说，receivers提供以下保证：
  • 所有从reliable文件系统读入的数据是可靠的，因为底层的FS是被复制的。Spark会通过checkpoints记住那些数据已经处理过，并且在crashes之后从断点处读取；
  • 对于unreliable的数据源，比如Kafka，push-based Flume或是Twitter，Spark会将数据复制到其他节点，但是这还是可能在receiver task down掉时丢失数据。
• Summary：因此，为了保证所有数据都被处理的最好方式就是使用reliable输入数据源。

Processing Guarantees

• 由于Spark Streaming的容错保证，它可以通过exactly-once semantics for all transformations, 即使worker fails and一些数据被reprocessed，最终的结果都是只被处理一次的。
• 然而，当使用output操作将transformed result被push到外部系统时，pushing结果的task可能会因为failures而被执行多次，一些数据会被push多次。因为这包括了外部系统，所以这种情况需要system-specific的代码来处理。
  • 可以使用transaction来push，也就是说一次只会自动push一个RDD分区；
  • 或设计idempotent(幂等的)操作，也就是说多次的运行更新仍然产生相同的result。

Streaming UI

• The Streaming UI exposes statistics for our batch processing and our receivers.  http://<driver>:4040

Performance Consideration

• Spark Streaming有很多专用的tuning options。

Batch and Window Sizes

• 一个最常见的问题是，SparkStreaming可用的最小batch size是多少。
• 通常，500ms被证明对很多应用是一个好的最小size。
• 最好的方法是，首先用一个大的batch size然后慢慢地降。再去Streaming UI看processing time，如果处理时间保持一致，那么就可以继续将，如果处理时间上升，就说明已经达到应用所能处理的极限了。

Level of Parallelism

• 最common的降低处理时间的方式就是提高并行度。提高并行度有以下三种方式：
  • Increasing the number of receivers: receivers会在有很多记录时成为瓶颈，你可以通过增加更多的receiver，然后通过union()来merger到单一的stream中；
  • Explicitly repartitioning received data：如果receivers不能再增多了，你可以通过显式地充分区来进一步redistribute输入数据流；
  • Increasing parallelism in aggregation：对于像reduceByKey()这样的操作，你可以指定并行度为第二个参数。

Garbage Collection and Memory Usage

• 可以enabling Java‘s Concurrent Mark-Sweep garbage collector：这种方式会消耗更多的资源，但引入了fewer pauses
• 以序列化的形式Caching RDD也会减少GC的压力，这也是Spark Streaming所生成的RDDs都以序列化形式存储的原因。
• 缺省情况下，Spark使用LRU cache来驱逐cache。同样也可以通过spark.cleaner.ttl来驱逐某个时间周期前的数据。