note34sparkstreaming.docx

note34sparkstreaming.docx

《note34sparkstreaming.docx》由会员分享，可在线阅读，更多相关《note34sparkstreaming.docx（12页珍藏版）》请在冰豆网上搜索。

note34sparkstreaming

Sparkday06

1.SparkStreaming简介

SparkStreaming是流式处理框架，是SparkAPI的扩展，支持可扩展、高吞吐量、容错的实时数据流处理，实时数据的来源可以是：

Kafka,Flume,Twitter,ZeroMQ,Kinesis,或者TCPsockets，并且可以使用高级功能的复杂算子来处理流数据。

例如：

map,reduce,join,window。

最终，处理后的数据可以存放在文件系统，数据库，以及实时展现。

2.SparkStreaming与Storm的区别

1.Storm是纯实时的流式处理框架，SparkStreaming是准实时的处理框架（微批处理）。

因为微批处理，SparkStreaming的吞吐量比Storm要高。

2.Storm 的事务机制要比SparkStreaming的要完善。

3.Storm支持动态资源调度。

4.SparkStreaming擅长复杂的业务处理，Storm不擅长复杂的业务处理，擅长简单的汇总型计算。

3.SparkStreaming初始

1.SparkStreaming初始理解

注意:

Øreceivertask是7*24小时一直在执行，一直接受数据，将一段时间内接收来的数据保存到batch中。

假设batchInterval为5s,那么会将接收来的数据每隔5秒封装到一个batch中，因为batch是没有分布式计算的特性，所以将数据封装到RDD中，最终封装到Dstream中。

例如：

假设batchInterval为5秒，每隔5秒通过SparkStreamin将得到一个Dstream,在第6秒的时候计算这5秒的数据，假设执行任务的时间是3秒,那么第6~9秒一边在接收数据，一边在计算任务，9~10秒只是在接收数据。

然后在第11秒的时候重复上面的操作。

Ø如果job执行的时间大于batchInterval会有什么样的问题？

接收来的数据会越堆积越多，最后可能会导致OOM。

2.SparkStreaming代码

代码注意事项：

Ø启动socketserver服务器：

nc–lk9999

Ølocal的模拟线程必须大于等于2，一个被receiver用来接受数据，另一个线程用来执行job。

ØDurations时间设置就是我们能接收的延迟度。

这个需要根据集群的资源情况以及任务的执行情况来调节。

Ø创建JavaStreamingContext有两种方式（SparkConf,SparkContext）

Ø所有的代码逻辑完成后要有一个operator算子。

ØJavaStreamingContext.start（）Streaming框架启动后不能再次添加业务逻辑。

ØJavaStreamingContext.stop（）无参的stop方法将SparkContext一同关闭，stop（false），不会关闭SparkContext。

ØJavaStreamingContext.stop（）停止之后不能再调用start。

SparkConfconf=newSparkConf（）.setMaster（"local[2]"）.setAppName（"WordCountOnline"）;

/**

*在创建streaminContext的时候设置batchInterval

*/

JavaStreamingContextjsc=newJavaStreamingContext（conf,Durations.seconds（5））;

JavaReceiverInputDStreamlines=jsc.socketTextStream（"node5",9999）;

JavaDStreamwords=lines.flatMap（newFlatMapFunction（）{

/**

*

*/

privatestaticfinallongserialVersionUID=1L;

@Override

publicIterablecall（Strings）{

returnArrays.asList（s.split（""））;

}

}）;

JavaPairDStreamones=words.mapToPair（newPairFunction（）{

/**

*

*/

privatestaticfinallongserialVersionUID=1L;

@Override

publicTuple2call（Strings）{

returnnewTuple2（s,1）;

}

}）;

JavaPairDStreamcounts=ones.reduceByKey（newFunction2（）{

/**

*

*/

privatestaticfinallongserialVersionUID=1L;

@Override

publicIntegercall（Integeri1,Integeri2）{

returni1+i2;

}

}）;

//outputoperator类的算子

counts.print（）;

jsc.start（）;

//等待spark程序被终止

jsc.awaitTermination（）;

jsc.stop（false）;

4.SparkStreaming算子操作

1.foreachRDD

Øoutput算子

2.transform

Øtransformation类算子

Ø可以通过transform算子，对Dstream做RDD到RDD的任意操作。

3.updateStateByKey

Øtransformation算子

ØupdateStateByKey作用：

1）为SparkStreaming中每一个Key维护一份state状态，state类型可以是任意类型的，可以是一个自定义的对象，更新函数也可以是自定义的。

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，SparkStreaming会在使用updateStateByKey的时候为已经存在的key进行state的状态更新。

Ø使用到updateStateByKey要开启checkpoint机制和功能。

Ø多久会将内存中的数据写入到磁盘一份？

如果batchInterval设置的时间小于10秒，那么10秒写入磁盘一份。

如果batchInterval设置的时间大于10秒，那么就会batchInterval时间间隔写入磁盘一份。

4.窗口操作

Ø窗口操作理解图：

假设每隔5s1个batch,上图中窗口长度为15s，窗口滑动间隔10s。

Ø窗口长度和滑动间隔必须是batchInterval的整数倍。

如果不是整数倍会检测报错。

Ø优化后的window窗口操作示意图：

Ø优化后的window操作要保存状态所以要设置checkpoint路径，没有优化的window操作可以不设置checkpoint路径。

5.DriverHA（Standalone或者Mesos）

因为SparkStreaming是7*24小时运行，Driver只是一个简单的进程，有可能挂掉，所以实现Driver的HA就有必要（如果使用的Client模式就无法实现DriverHA，这里针对的是cluster模式）。

实现Driver的高可用有两个步骤:

第一：

提交任务层面，在提交任务的时候加上选项–supervise,当Driver挂掉的时候会自动重启Driver。

第二：

代码层面，使用JavaStreamingContext.getOrCreate（checkpoint路径，JavaStreamingContextFactory）

ØDriver中元数据包括：

1.创建应用程序的配置信息。

2.Dstream的操作逻辑。

3.job中没有完成的批次数据，也就是job的执行进度。

6.Kafka

1.kafka是什么？

使用场景？

kafka是一个高吞吐的分布式消息队列系统。

特点是生产者消费者模式，先进先出（FIFO）保证顺序，自己不丢数据，默认每隔7天清理数据。

消息列队常见场景：

系统之间解耦合、峰值压力缓冲、异步通信。

2.kafka生产消息、存储消息、消费消息

Kafka架构是由producer（消息生产者）、consumer（消息消费者）、borker（kafka集群的server，负责处理消息读、写请求，存储消息）、topic（消息队列/分类相当于队列，里面有生产者和消费者模型）、broker（代理，在kafkacluster这一层这里，其实里面是有很多个broker）、zookeeper（元数据信息存在zookeeper中，包括：

存储消费偏移量，topic话题信息，partition信息）这些部分组成。

kafka里面的消息是有topic来组织的，简单的我们可以想象为一个队列，一个队列就是一个topic，然后它把每个topic又分为很多个partition，这个是为了做并行的，在每个partition内部消息强有序，相当于有序的队列，其中每个消息都有个序号offset，比如0到12，从前面读往后面写。

一个partition对应一个broker，一个broker可以管多个partition，比如说，topic有6个partition，有两个broker，那每个broker就管3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，消息不经过内存缓冲，直接写入文件，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。

producer自己决定往哪个partition里面去写，这里有一些的策略，譬如如果hash，不用多个partition之间去join数据了。

consumer自己维护消费到哪个offset，每个consumer都有对应的group，group内是queue消费模型（各个consumer消费不同的partition，因此一个消息在group内只消费一次），group间是publish-subscribe消费模型，各个group各自独立消费，互不影响，因此一个消息在被每个group消费一次。

3.kafka的特点

Ø系统的特点：

生存者消费者模型，FIFO

Partition内部是FIFO的，partition之间不是FIFO的，当然我们可以把topic设为一个partition，这样就是严格的FIFO。

Ø高性能：

单节点支持上千个客户端，百MB/s吞吐，接近网卡的极限

Ø持久性：

消息直接持久化在普通磁盘上且性能好

直接写到磁盘中去，就是直接append到磁盘里去，这样的好处是直接持久化，数据不会丢失，第二个好处是顺序写，然后消费数据也是顺序的读，所以持久化的同时还能保证顺序，比较好，因为磁盘顺序读比较好。

Ø分布式：

数据副本冗余、流量负载均衡、可扩展

分布式，数据副本，也就是同一份数据可以到不同的broker上面去，也就是当一份数据，磁盘坏掉的时候，数据不会丢失，比如3个副本，就是在3个机器磁盘都坏掉的情况下数据才会丢，在大量使用情况下看这样是非常好的，负载均衡，可扩展，在线扩展，不需要停服务。

Ø很灵活：

消息长时间持久化+Client维护消费状态

消费方式非常灵活，第一原因是消息持久化时间跨度比较长，一天或者一星期等，第二消费状态自己维护消费到哪个地方了可以自定义消费偏移量。

4.kafka集群搭建

1）上传kafka_2.10-0.8.2.2.tgz包到三个不同节点上，解压。

2）配置../kafka_2.10-0.8.2.2/config/server.properties文件

节点编号：

（不同节点按0,1,2,3整数来配置）

真实数据存储位置：

zookeeper的节点：

3）启动zookeeper集群。

4）三个节点上，启动kafka:

bin/kafka-server-start.shconfig/server.properties

最好使用自己写的脚本启动，将日志写入到一个文件：

nohupbin/kafka-server-start.shconfig/server.properties>kafka.log2>&1&

脚本附件：

（放在与bin同一级别下，注意创建后要修改权限：

chmod755startkafka.sh）

5）相关命令：

创建topic：

./kafka-topics.sh--zookeepernode3:

2181,node4:

2181,node5:

2181--create--topictopic2017--partitions3--replication-factor3

用一台节点控制台来当kafka的生产者：

./kafka-console-producer.sh--topictopic2017

--broker-listnode1:

9092,node2:

9092,node3:

9092

用另一台节点控制台来当kafka的消费者：

./kafka-console-consumer.sh--zookeepernode3:

2181,node4:

2181,node5:

2181--topictopic2017

查看kafka中topic列表:

./kafka-topics.sh--list--zookeepernode3:

2181,node4:

2181,node5:

2181

查看kafka中topic的描述：

./kafka-topics.sh--describe--zookeepernode3:

2181,node4:

2181,node5:

2181--topictopic2017

注意：

ISR是检查数据的完整性有哪些个节点。

查看zookeeper中topic相关信息：

启动zookeeper客户端：

./zkCli.sh

查看topic相关信息：

ls/brokers/topics/

查看消费者相关信息：

ls/consumers

5.kafka的leader的均衡机制

当一个broker停止或者crashes时，所有本来将它作为leader的分区将会把leader转移到其他broker上去，极端情况下，会导致同一个leader管理多个分区，导致负载不均衡，同时当这个broker重启时，如果这个broker不再是任何分区的leader,kafka的client也不会从这个broker来读取消息，从而导致资源的浪费。

kafka中有一个被称为优先副本（preferredreplicas）的概念。

如果一个分区有3个副本，且这3个副本的优先级别分别为0,1,2，根据优先副本的概念，0会作为leader。

当0节点的broker挂掉时，会启动1节点broker当做leader。

当0节点的broker再次启动后，会自动恢复为此partition的leader。

不会导致负载不均衡和资源浪费，这就是leader的均衡机制。

在配置文件conf/server.properties中配置开启（默认就是开启）：

auto.leader.rebalance.enabletrue

7.SparkStreaming+Kafka

1.receiver模式

Øreceiver模式原理图

Øreceiver模式理解：

在SparkStreaming程序运行起来后，Executor中会有receivertasks接收kafka推送过来的数据。

数据会被持久化，默认级别为MEMORY_AND_DISK_SER_2,这个级别也可以修改。

receivertask对接收过来的数据进行存储和备份，这个过程会有节点之间的数据传输。

备份完成后去zookeeper中更新消费偏移量，然后向Driver中的receivertracker汇报数据的位置。

最后Driver根据数据本地化将task分发到不同节点上执行。

Øreceiver模式中存在的问题

当Driver进程挂掉后，Driver下的Executor都会被杀掉，当更新完zookeeper消费偏移量的时候，Driver如果挂掉了，就会存在找不到数据的问题，相当于丢失数据。

如何解决这个问题？

开启WAL（writeaheadlog）预写日志机制,在接受过来数据备份到其他节点的时候，同时备份到HDFS上一份（我们需要将接收来的数据的持久化级别降级到MEMORY_AND_DISK），这样就能保证数据的安全性。

不过，因为写HDFS比较消耗性能，要在备份完数据之后才能进行更新zookeeper以及汇报位置等，这样会增加job的执行时间，这样对于任务的执行提高了延迟度。

Øreceiver模式代码（见代码）

Øreceiver的并行度设置

receiver的并行度是由spark.streaming.blockInterval来决定的，默认为200ms,假设batchInterval为5s,那么每隔blockInterval就会产生一个block,这里就对应每批次产生RDD的partition,这样5秒产生的这个Dstream中的这个RDD的partition为25个，并行度就是25。

如果想提高并行度可以减少blockInterval的数值，但是最好不要低于50ms。

2.Driect模式

ØDirect模式理解

SparkStreaming+kafka的Driect模式就是将kafka看成存数据的一方，不是被动接收数据，而是主动去取数据。

消费者偏移量也不是用zookeeper来管理，而是SparkStreaming自己用checkpoint来管理，当然也可以实现用zookeeper来管理。

ØDirect模式并行度设置

Direct模式的并行度是由读取的kafka中topic的partition数决定的。

ØDirect模式代码（见代码）

3.相关配置

预写日志:

spark.streaming.receiver.writeAheadLog.enable默认false没有开启

blockInterval:

spark.streaming.blockInterval默认200ms

反压机制:

spark.streaming.backpressure.enabled默认false

接收数据速率:

spark.streaming.receiver.maxRate默认没有设置

用nc-lk9999做stream的信息来源

yuminstall-ync，一般安装时都没有装

nc-lk9999，守候9999端口

集群启动访问hdfs要用8020