Real-time ML with Spark

什么是 Spark?

　Apache Spark™ is a unified analytics engine for large-scale data processing. – Official website

为什么要有 Spark?

分布式

　具备经济、快速、可靠、易扩充、数据共享、设备共享、通讯方便、灵活等分布式所具备的特性

高层次抽象

　RDD（**R**esilient **D**istributed **D**atasets）提供 一个可以被并行计算的 不变、分区的数据集 抽象

快速计算能力

　内存计算 基于内存的迭代计算框架，能够避免计算结果落地，磁盘 I/O 所带来的瓶颈
　Machine Learning、Data Mining 等都需要递归地计算，因此非常适合实现这些算法

高效性能

　DAG（**D**irected **A**cyclic **G**rap）利用有向无环图，构建优化任务中 父 RDD 和 子 RDD 的依赖关系（e.g. Ooize）

　依赖分为两种，一个为窄依赖，如 map / filter / union 等；另一种为宽依赖，如 groupByKey 等
　在划分依赖时，join 需要额外考虑 co-partitione：
* 如果 RDD 和 cogroup 有相同的 数据结构，将会确定一个 OneToOneDependency
* 反之，则说明 join 的时候，需要 shuffle（ShuffleDependency）

[建议]：“因为，wide dependencies 只有等到所有 父 partiton 计算完，并传递结束，才能继续进行下一步运算，所以应该尽量减少宽依赖，避免失败后 recompute 的成本”

容错性

　Lineage 血统，能在计算失败的时候，将会找寻 最小重新计算损耗的 结点，避免全部重新计算

Spark 核心组件

Spark SQL

介绍

　同时支持 HiveQL / UDFs / SerDes 等多样性的数据源，并采用 JDBC / ODBC 等标准化连接驱动，保证其通用性

主要概念

Row

　Row 表示关系运算中一行输出，本质上来说就是一个数组

Dataset

　DataSet 和 RDD、DataFrame 一样，都是分布式数据结构的概念。区别在于 DataSet 可以面向特定类型，也就是其无需将输入数据类型限制为 Row（还可以使用 Seq、Array、Product、Int 等类型）

DataFrame

　DataFrame 相当于是 Dataset[Row] 的别名

Encoder

　Encoder 是 Dataset 中的关键组件，用来将外部类型转化为 Dataset 的内部类型 InternalRow

核心流程

（图片来源： databricks.com）

　整个流程的入口是 org.apache.spark.sql.SparkSession#sql 方法

Spark GraphX

　支持在 graph 或 collection 中查看数据，并提供丰富的 图形处理 API

Spark Streaming

　将数据流 按 时间间隔 Duration 划分为一组连续的 RDD，再将这些 RDD 抽象为 DStream
　随后，通过对 DStream 这个 high-level 抽象的操作，实现对底层 标记了时间间隙的 RDD 组的操控

Spark MLbase

　提供了对 Machine Learning 的易用、高效的实现
　总体的结构，基于 Spark，自底向上分别是，MLlib / MLI / ML Optimizer
* MLlib 这一层，设计了 本地 / 分布式 的矩阵，对稀疏数据的支持，多模型的训练，提供了 计算模型 和 逻辑的 API
* MLI 主要任务则是 提供 表针采集器 和 逻辑规则，并进一步对 高层次 ML 编程抽象成接口
* ML Optimizer 则是通过自动构建 ML 的 pipe 管道路径实现 ML 优化器的作用。同时，该优化器还解决了一个在 MLI 和 MLlib 中 表征采集器 和 ML 逻辑规则的搜索问题

Spark 实时机器学习

什么是机器学习？

　Wikipedia 给出的定义是，一个计算机科学的子领域，由 模式识别 和 人工智能 中的计算机学习理论 演变而来
　探索 结构化的、可学习的规则引擎，如何用来对数据 进行训练 和 预测

什么又是 Real-time 机器学习呢？

　一般性的 机器学习 的对象 是一堆 offline 的训练集，通过对这些数据的学习，来确立模型
　如果数据是快速变化的，这时就需要将 新数据 分配好权重，加入到目标训练集中；之后，将预测出来的结果，再次反馈到 数据模型中去

Real-time 和 No Real-time 的本质区别在哪儿？

　因为 实时模型 是动态更新的，实现算法上，比 非实时的 ML 需要考虑，如何避免依赖 将 新数据 和 旧数据 整合在一块再计算所带来的性能问题
　更多时候，长期积累的数据，是很难再做到全量计算（比如，多项式贝叶斯 Multinomial naive bayes，用于处理 dataset 过大，而内存不足的情况）

利用 Spark 实现 Real-time ML

源数据流

• 利用 java.util.Random 产生满足高斯分布的随机数据，再通过 breeze 放入到 vector 中，作为特征值
• 在 generateNoisyData 中，将这个 vector 做 inner product, 并加入一点噪声数据，作为 label 标签

val MaxEvents = 100
val NumFeatures = 100
val random = new Random()
def generateRandomArray(n: Int) = Array.tabulate(n)(_ => random.nextGaussian())
val w = new DenseVector(generateRandomArray(NumFeatures))
val intercept = random.nextGaussian() * 10
def generateNoisyData(n: Int) = {
  (1 to n).map { i =>
    val x = new DenseVector(generateRandomArray(NumFeatures))
    // inner product
    val y: Double = w.dot(x)
    val noisy = y + intercept
    (noisy, x)
  }
}

• 通过 socket 将数据 发送到指定端口

if (args.length != 2) {
  System.err.println("Usage: <port> <millisecond>")
  System.exit(1)
}
val listener = new ServerSocket(args(0).toInt)
while (true) {
  val socket = listener.accept()
  new Thread() {
    override def run = {
      println("Got client connected from: " + socket.getInetAddress)
      val out = new PrintWriter(socket.getOutputStream(), true)
      while (true) {
        Thread.sleep(args(1).toLong)
        val num = random.nextInt(MaxEvents)
        val data = generateNoisyData(num)
        data.foreach { case (y, x) =>
          val xStr = x.data.mkString(",")
          val content = s"$y\t$xStr"
          println(content)
          out.write(content)
          out.write("\n")
        }
      }
      socket.close()
    }
  }.start()
}

实时 Machine Learning 模型

• 指定 spark-master / interval 等参数，创建 StreamingContext（此处可以利用 local[n] 快速开发）

if (args.length < 4) {
  System.err.println("Usage: WindowCounter <master> <hostname> <port> <interval> \n" +
    "In local mode, <master> should be 'local[n]' with n > 1")
  System.exit(1)
}
val ssc = new StreamingContext(args(0), "ML Analysis", Seconds(args(3).toInt))

• 获取到发送过来的 源数据

val stream = ssc.socketTextStream(args(1), args(2).toInt, StorageLevel.MEMORY_ONLY_SER)

• 利用 DenseVector.zeros[Double] 创建全零的初始矩阵

• 使用 StreamingLinearRegressionWithSGD 创建 流式随机递归下降的线性回归 模型

  目前 MLlib 只支持 Streaming（KMeans / LinearRegression / LinearRegressionWithSGD）in Spark 1.4.1
  Streaming MLlib 和普通的 MLlib 没有本质上的区别，只是输入的训练集是 DStream，需要使用 foreachRDD / map 进行 训练 / 预测

val NumFeatures = 100
val zeroVector = DenseVector.zeros[Double](NumFeatures)
val model = new StreamingLinearRegressionWithSGD()
  .setInitialWeights(Vectors.dense(zeroVector.data))
  .setNumIterations(1)
  .setStepSize(0.01)
val labeledStream = stream.map { event =>
  val split = event.split("\t")
  val y = split(0).toDouble
  val features = split(1).split(",").map(_.toDouble)
  LabeledPoint(label = y, features = Vectors.dense(features))
}

• 利用 模型 进行 train / predict

model.trainOn(labeledStream)
val predictAndTrue = labeledStream.transform { rdd =>
  val latest = model.latestModel()
  rdd.map { point =>
    val predict = latest.predict(point.features)
    (predict - point.label)
  }
}

• 通过 MSE（M**ean **S**quared **E**rror）均方差 和 **RMSE（**R**oot **M**ean **S**quared **E**rror）均方根误差 对模型的性能进行评估（这里也可以使用 RegressionMetrics 来实现）

predictAndTrue.foreachRDD { (rdd, time) =>
  val mse = rdd.map { case (err) => err * err }.mean()
  val rmse = math.sqrt(mse)
  println( s"""
              |-------------------------------------------
              |Time: $time
              |-------------------------------------------
                  """.stripMargin)
  println(s"MSE current batch: Model : $mse")
  println(s"RMSE current batch: Model : $rmse")
  println("...\n")
}

• 启动 Spark 上下文

ssc.start()
ssc.awaitTermination()

一劳永逸了？Not at all!

　一个优秀的 Machine Learning 模型，是要结合具体业务，从对数据流入的清洗，特征值维度的考量，模型类型的选择，到最终的性能的评估、监控、持续优化，都需要仔细地考究，最终才能打造出高效、稳定、精准的数据模型

数据

　对目标数据集进行处理之前，首先就是对数据的类型进行归类，是数值型、类别型、文本型，还是其他一些多媒体、地理信息等
　针对不同的数据，分别采取不同的处理手段，对于类别型常用 1-of-k encoding 对每个类别进行编码
　对于文本型，则会采用 分词、移除 stop words（的、这、地；the/and/but …）、向量化、标准化（避免度量单位的影响）

import numpy as np
np.random.seed(42)
x = np.random.randn(10)
norm_x_2 = np.linalg.norm(x)
normalized_x = x / norm_x_2
print "x:\n%s" % x
print "2-Norm of x: %2.4f" % norm_x_2
print "Normalized x:\n%s" % normalized_x
print "2-Norm of normalized_x: %2.4f" % np.linalg.norm(normalized_x)

　还有还多常用的数据处理方式，如 平均值、中位数、总和、方差、差值、最大值、最小值
　针对时间的处理，还可以加上 “时间戳” 字段

def assign_tod(hr):
    times_of_day = {
        'morning' : range(7, 12),
        'lunch' : range(12, 14),
        'afternoon' : range(14, 18),
        'evening' : range(18, 23),
        'night' : range(23, 7)
    }
    for k, v in times_of_day.iteritems():
    if hr in v:
        return k
time_of_day = hour_of_day.map(lambda hr: assign_tod(hr))

特征维度

　常见的一个影响模型的因素，便是没有对特征 进行标准化

(element-wise - the preceding mean vector from the feature vector) / the vector of feature standard deviations

　利用 StandarScaler 完成标准化工作

import org.apache.spark.mllib.feature.StandardScaler

val scaler = new StandardScaler(withMean = true, withStd = true).fit(vectors)
val scaledData = data.map(lp => LabeledPoint(lp.label, scaler.transform(lp.features)))

调整模型

　首先需要在众多的模型 和 对应的算法 中找到最为适用的选择
　模型的类别主要有，推荐引擎、分类模型、回归模型、聚类模型 等
　相应的实现算法，又有（线性 / 逻辑 / 多元）回归、（随机森林）决策树、（朴素 / 高斯 / 多项式 / 伯努利 / 信念网络）贝叶斯 等
　在选择的时候，更多会考虑 特征值是否多维（可以尝试降维），目标类别是 multiclass，binary，还是 probability（连续值）

• 根据 数据集的 稀疏程度 对正则化（Regularizer）进行调整

zero: 没有任何正规化操作
L1:   SGD（Stochastic gradient descent，随机梯度下降）
L2:   LBFGS（Limited-memory BFGS，受限的 BFGS）

L2 相比 L1 更为平滑（同样，L1 可以让 稀疏的数据集 得到更 直观的模型）
还有其它 求最优解 的方法，如 求全局最优解的 BGD（Batch gradient descent，批量梯度下降）
但是，由于每次迭代都需要依据训练集中所有的数据，所以速度很慢；
以及 CG（Conjugate gradient，共轭梯度法），但还没有被 Spark MLlib 所支持，可以在 Breeze 中找到它

• 可以通过 setUpdater 将模型的 规则化算法 设置为 L1（默认为 L2）

import org.apache.spark.mllib.optimization.L1Updater

val svmAlg = new SVMWithSGD()
svmAlg.optimizer
  .setNumIterations(200)
  .setRegParam(0.1)
  .setUpdater(new L1Updater)
val modelL1 = svmAlg.run(training)

• 当然，还有举不胜举的优化方式，详见文章最后的 Spark 思维导图 :-)

性能评估指标

• 针对不同的业务，对性能评测的手段，也需要相应取舍，毕竟有些 “宁可错杀一千” 的变态 防护系统，就需要对 recall 有较高的要求，而 precision 则相对宽松些
  
  • 这时便可采用 ROC（**R**eceiver **O**perating **C**haracteristic）curve 评测引擎:

// binary classification
val metrics = Seq(lrModel, svmModel).map { model =>
  val scoreAndLabels = data.map { point =>
    (model.predict(point.features), point.label)
  }
  val metrics = new BinaryClassificationMetrics(scoreAndLabels)
  (model.getClass.getSimpleName, metrics.areaUnderPR, metrics.areaUnderROC)
}

• 如果是 贝叶斯 / 决策树 的数据模型，则可以用 0.5 对其进行划分，转换为 binary 分类问题

// naive bayes
val nbMetrics = Seq(nbModel).map { model =>
  val scoreAndLabels = nbData.map { point =>
    val score = model.predict(point.features)
    (if (score > 0.5) 1.0 else 0.0, point.label)
  }
  val metrics = new BinaryClassificationMetrics(scoreAndLabels)
  (model.getClass.getSimpleName, metrics.areaUnderPR, metrics.areaUnderROC)
}
// decision tree
val dtMetrics = Seq(dtModel).map { model =>
  val scoreAndLabels = data.map { point =>
    val score = model.predict(point.features)
    (if (score > 0.5) 1.0 else 0.0, point.label)
  }
  val metrics = new BinaryClassificationMetrics(scoreAndLabels)
  (model.getClass.getSimpleName, metrics.areaUnderPR, metrics.areaUnderROC)
}
val allMetrics = metrics ++ nbMetrics ++ dtMetrics
allMetrics.foreach { case (m, pr, roc) =>
  println(f"$m, Area under PR: ${pr * 100.0}%2.4f%%, Area under ROC: ${roc * 100.0}%2.4f%%")
}

• 然而，如果是一些推荐系统，更多的希望能够了解到 大体的预测精度，则可以采用 MAP（**M**ean **A**verage **P**recision）平均精度均值 进行评估

　MAP 同时还解决了 precision，recall，F-measure 中存在的单点值局限性问题

踩过的坑

spark 任务使用 UGI 之后，实际 task 在生成中间文件的时候，没有感知到外层设置的 UGI 信息

描述

$ hdfs dfs -ls /user | grep yuzhouwan
  drwxrwxrwx   - yuzhouwan yuzhouwan          0 2018-04-24 14:27 /user/yuzhouwan
$ hdfs dfs -ls /user/yuzhouwan
  drwxrwxrwx   - user_A user_A                0 2018-04-24 14:27 /user/yuzhouwan/user_A

# 代码中，需要将数据，写入到 /user/yuzhouwan/user_A 中，但是报错权限不足
UGICache.doAs("user_A", () => {
  sparkContext.parallelize(Seq(1 to 10), 1).saveAsTextFile("/user/yuzhouwan/user_A/seq")
})

org.apache.hadoop.security.AccessControlException: Permission denied: user=user_A, access=WRITE, inode="/user/yuzhouwan/user_A/seq":yuzhouwan:user_A:drwxr-xr-x

分析

$ cd $HADOOP_HOME/logs
$ grep "/user/yuzhouwan/user_A/" hdfs-audit.log | grep -v "getfileinfo"
  2018-04-23 19:04:34,764 INFO org.apache.hadoop.hdfs.server.namenode.FSNamesystem.audit: allowed=true  ugi=user_A (auth:SIMPLE)    ip=/10.10.10.1  cmd=mkdirs  src=/user/yuzhouwan/user_A/2018-04-23/940_2018-04-23_user_A_68673976_0/_temporary/0 dst=null    perm=user_A:yuzhouwan:rwxr-xr-x proto=rpc
  2018-04-23 19:04:35,353 INFO org.apache.hadoop.hdfs.server.namenode.FSNamesystem.audit: allowed=true  ugi=yuzhouwan (auth:SIMPLE) ip=/10.10.10.1  cmd=create  src=/user/yuzhouwan/user_A/2018-04-23/940_2018-04-23_user_A_68673976_0/_temporary/0/_temporary/attempt_20180423190434_0723_m_000000_737/part-00000.deflate  dst=null    perm=yuzhouwan:yuzhouwan:rw-r--r--  proto=rpc
  2018-04-23 19:04:36,017 INFO org.apache.hadoop.hdfs.server.namenode.FSNamesystem.audit: allowed=true  ugi=yuzhouwan (auth:SIMPLE) ip=/10.10.10.1  cmd=rename  src=/user/yuzhouwan/user_A/2018-04-23/940_2018-04-23_user_A_68673976_0/_temporary/0/_temporary/attempt_20180423190434_0723_m_000000_737 dst=/user/yuzhouwan/user_A/2018-04-23/940_2018-04-23_user_A_68673976_0/_temporary/0/task_20180423190434_0723_m_000000   perm=yuzhouwan:yuzhouwan:rwxr-xr-x  proto=rpc
  2018-04-23 19:04:36,040 INFO org.apache.hadoop.hdfs.server.namenode.FSNamesystem.audit: allowed=true  ugi=user_A (auth:SIMPLE)    ip=/10.10.10.1  cmd=listStatus  src=/user/yuzhouwan/user_A/2018-04-23/940_2018-04-23_user_A_68673976_0/_temporary/0 dst=null    perm=null   proto=rpc
  2018-04-23 19:04:36,060 INFO org.apache.hadoop.hdfs.server.namenode.FSNamesystem.audit: allowed=true  ugi=user_A (auth:SIMPLE)    ip=/10.10.10.1  cmd=listStatus  src=/user/yuzhouwan/user_A/2018-04-23/940_2018-04-23_user_A_68673976_0/_temporary/0/task_20180423190434_0723_m_000000   dst=null    perm=null   proto=rpc
  2018-04-23 19:04:36,083 INFO org.apache.hadoop.hdfs.server.namenode.FSNamesystem.audit: allowed=false ugi=user_A (auth:SIMPLE)    ip=/10.10.10.1  cmd=rename  src=/user/yuzhouwan/user_A/2018-04-23/940_2018-04-23_user_A_68673976_0/_temporary/0/task_20180423190434_0723_m_000000/part-00000.deflate    dst=/user/yuzhouwan/user_A/2018-04-23/940_2018-04-23_user_A_68673976_0/part-00000.deflate   perm=null   proto=rpc

# 通过查看 HDFS 的 audit 审计日志，可以看到创建 deflate 中间文件的时候，使用的 UGI 是 yuzhouwan，而不是 user_A，导致到最后一步，使用 user_A 用户 rename 的时候，报错权限不足

解决

　首先，需要保证用户 user_A 不需要写入的数据，只能由它自己才能查看。一方面，如果权限控制不在 spark 任务中，而是交给上层应用来控制，则完全可以使用 yuzhouwan 用户权限写入到 HDFS 中；另一方面，也可以先使用 yuzhouwan 用户权限写入，然后再通过 chown 赋权到 user_A 用户下

saveAsTextFile 不传入压缩类型，也对输出文件进行了压缩

描述

$ spark-shell --master local
  scala> sc.parallelize(Seq(1 to 10), 1).collect.foreach(print(_))
    Range(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)

  scala> sc.parallelize(Seq(1 to 10), 1).saveAsTextFile("/user/yuzhouwan")
    18/04/24 11:22:01 WARN DefaultCodec: DefaultCodec.createOutputStream() may leak memory. Create a compressor first.

$ hdfs dfs -ls /user/yuzhouwan
  Found 2 items
  -rw-r--r--   3 bigdata yuzhouwan          0 2018-04-24 11:22 /user/yuzhouwan/_SUCCESS
  -rw-r--r--   3 bigdata yuzhouwan         45 2018-04-24 11:22 /user/yuzhouwan/part-00000.deflate

解决

# 发现依赖的 Hadoop 配置文件中，已经开启了压缩
$ vim $HADOOP_HOME/etc/hadoop/mapred-site.xml
  <property>
    <name>mapred.compress.map.output</name>
    <value>true</value>
  </property>

# 需要设置 spark.hadoop.mapreduce.output.fileoutputformat.compress=false
# 或者 spark.hadoop.mapred.output.compress=false
# 前者，是负责往 hadoop 和 hive 里面写的时候，会设置压缩；后者，是负责往 json / txt / csv 里面写的时候，设置压缩
# 一个是面向 目标系统类型，另一个是面向 目标文件类型
$ spark-shell --master local --conf spark.hadoop.mapreduce.output.fileoutputformat.compress=false
  scala> sc.parallelize(Seq(1 to 10), 1).saveAsTextFile("/user/yuzhouwan0")

$ hdfs dfs -ls /user/yuzhouwan0
  Found 2 items
  -rw-r--r--   3 bigdata yuzhouwan          0 2018-04-24 11:41 /user/yuzhouwan0/_SUCCESS
  -rw-r--r--   3 bigdata yuzhouwan         37 2018-04-24 11:41 /user/yuzhouwan0/part-00000

$ hdfs dfs -cat /user/yuzhouwan0/part-00000
  Range(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)

补充

// saveAsTextFile 方法的第二个参数可以指定压缩类型，可以覆盖全局配置中，已经存在的压缩配置
// 需要注意的是，压缩算法只支持 CompressionCodec 接口的实现子类，包括 DefaultCodec、BZip2Codec、GzipCodec、HadoopSnappyCodec、Lz4Codec、SnappyCodec etc.
sc.parallelize(Seq(1 to 10), 1).coalesce(1, shuffle = true).saveAsTextFile("/user/yuzhouwan1", classOf[org.apache.hadoop.io.compress.GzipCodec])

无法判断 spark session 中临时函数是否存在

描述

# 获取 session state 中判断临时函数 FunctionIdentifier 是否存在，但是仍然不行
if (!sparkSession.sessionState.catalog.functionExists(yuzhouwanIdentifier)) {
  sparkSession.sql("CREATE TEMPORARY FUNCTION yuzhouwan as 'org.apache.spark.sql.hive.udf.YuZhouWan'")
}

解决

if (!sparkSession.catalog.functionExists("yuzhouwan")) {
  sparkSession.sql("CREATE TEMPORARY FUNCTION yuzhouwan as 'org.apache.spark.sql.hive.udf.YuZhouWan'")
}

补充

　目前，Spark SQL 中 IF NOT EXISTS 的语法只支持创建 DATABASE、TABLE（包括 临时表 和 外部表）、VIEW（不包括 临时视图）、SCHEMA 的时候使用，尚不支持临时函数

$ spark-shell --master local

scala> org.apache.spark.sql.SparkSession.builder().enableHiveSupport.getOrCreate.sql("CREATE TEMPORARY FUNCTION IF NOT EXISTS yuzhouwan as 'org.apache.spark.sql.hive.udf.YuZhouWan'")

  org.apache.spark.sql.catalyst.parser.ParseException: mismatched input 'NOT' expecting {'.', 'AS'}(line 1, pos 29)

  == SQL ==
  CREATE TEMPORARY FUNCTION IF NOT EXISTS yuzhouwan as 'org.apache.spark.sql.hive.udf.YuZhouWan'
  -----------------------------^^^
    at org.apache.spark.sql.catalyst.parser.ParseException.withCommand(ParseDriver.scala:197)
    at org.apache.spark.sql.catalyst.parser.AbstractSqlParser.parse(ParseDriver.scala:99)
    at org.apache.spark.sql.execution.SparkSqlParser.parse(SparkSqlParser.scala:45)
    at org.apache.spark.sql.catalyst.parser.AbstractSqlParser.parsePlan(ParseDriver.scala:53)
    at org.apache.spark.sql.SparkSession.sql(SparkSession.scala:592)
    ... 48 elided

控制 spark 结果文件数量，并返回唯一的文件路径

解决

import java.net.URI

import org.apache.hadoop.conf.Configuration
import org.apache.hadoop.fs.{FileSystem, Path}

// 将数据写入到某一个文件下，会产生两个文件 _SUCCESS 和 part-00000-126ddb4d-22a8-4c3d-88cb-52a59da4c66a.json
val exportDir = "/user/yuzhouwan/export"
sparkSession.sql(subTaskSql).limit(1000).coalesce(1).write.json(exportDir)

// 排除掉 _SUCCESS 文件，拿到 json 文件的全路径
def getSingleExportFile(exportDir: String): String = {
  val sourceFS = FileSystem.get(new URI(exportDir), new Configuration())
  if (sourceFS == null || !sourceFS.exists(new Path(exportDir))) return ""
  val filesStatus = sourceFS.listStatus(new Path(exportDir))
  if (filesStatus == null || filesStatus.length <= 0) return ""
  for (fileStatus <- filesStatus) {
    if (fileStatus.isFile) {
      val path = fileStatus.getPath.getName
      if (!path.contains("SUCCESS")) {
        return if (exportDir.endsWith("/")) exportDir.concat(path) else exportDir.concat("/").concat(path)
      }
    }
  }
  ""
}

val singleFilePath = getSingleExportFile(exportDir)

参考

• Spark - repartition() vs coalesce()
• repartition vs coalesce
• Spark 重新分区：repartition 和 coalesce 的用法

KafkaUtils.createDirectStream 报错 OffsetOutOfRangeException

描述

<scala.short.version>2.11</scala.short.version>
<scala.version>${scala.short.version}.8</scala.version>
<spark.version>2.1.0.5</spark.version>

<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-core_${scala.short.version}</artifactId>
    <version>${spark.version}</version>
</dependency>

val kafkaParams = Map[String, String]("metadata.broker.list" -> brokers)
val messageHandler = (mam: MessageAndMetadata[Array[Byte], Array[Byte]]) => (mam.key, mam.message)
KafkaUtils.createDirectStream[Array[Byte], Array[Byte], DefaultDecoder, DefaultDecoder, (Array[Byte], Array[Byte])](ssc, kafkaParams, fromOffsets, messageHandler)

Caused by: kafka.common.OffsetOutOfRangeException
    at sun.reflect.NativeConstructorAccessorImpl.newInstance0(Native Method)
    at sun.reflect.NativeConstructorAccessorImpl.newInstance(NativeConstructorAccessorImpl.java:57)
    at sun.reflect.DelegatingConstructorAccessorImpl.newInstance(DelegatingConstructorAccessorImpl.java:45)
    at java.lang.reflect.Constructor.newInstance(Constructor.java:526)
    at java.lang.Class.newInstance(Class.java:374)
    at kafka.common.ErrorMapping$.exceptionFor(ErrorMapping.scala:86)
    at org.apache.spark.streaming.kafka.KafkaRDD$KafkaRDDIterator.handleFetchErr(KafkaRDD.scala:184)
    at org.apache.spark.streaming.kafka.KafkaRDD$KafkaRDDIterator.fetchBatch(KafkaRDD.scala:193)
    at org.apache.spark.streaming.kafka.KafkaRDD$KafkaRDDIterator.getNext(KafkaRDD.scala:208)
    at org.apache.spark.util.NextIterator.hasNext(NextIterator.scala:73)
    at org.apache.spark.storage.memory.MemoryStore.putIteratorAsValues(MemoryStore.scala:215)
    at org.apache.spark.storage.BlockManager$$anonfun$doPutIterator$1.apply(BlockManager.scala:957)
    at org.apache.spark.storage.BlockManager$$anonfun$doPutIterator$1.apply(BlockManager.scala:948)
    at org.apache.spark.storage.BlockManager.doPut(BlockManager.scala:888)
    at org.apache.spark.storage.BlockManager.doPutIterator(BlockManager.scala:948)
    at org.apache.spark.storage.BlockManager.getOrElseUpdate(BlockManager.scala:694)
    at org.apache.spark.rdd.RDD.getOrCompute(RDD.scala:334)
    at org.apache.spark.rdd.RDD.iterator(RDD.scala:285)
    at org.apache.spark.rdd.MapPartitionsRDD.compute(MapPartitionsRDD.scala:38)
    at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:323)
    at org.apache.spark.rdd.RDD.iterator(RDD.scala:287)
    at org.apache.spark.rdd.MapPartitionsRDD.compute(MapPartitionsRDD.scala:38)

分析

　该问题是因为 Kafka 的 topic 中，数据因为长时间未消费，超出了 log.retention.[hours|minutes|ms] 时间（默认 168 小时，也就是一周）。此时，broker 会将这部分数据清除掉，并更新 offset 信息（offset 变小了）。但是，程序中仍然用的是之前的 offset 信息，所以就会报错超出了现有 offset 的范围

解决

// 使用不指定 offset 的 createDirectStream 重载方法，并重启 spark streaming 程序
KafkaUtils.createDirectStream[Array[Byte], Array[Byte], DefaultDecoder, DefaultDecoder](ssc, kafkaParams, topicSet)

参考

• Spark streaming Kafka OffsetOutOfRangeException 异常分析与解决

整体知识树

至此，相信你已经对 Spark 这个生态圈有了大致了解了，下面就是一步一步地 在 实践 和 深入学习中，体验大数据的乐趣啦 O(∩_∩)O~~

（利用 XMind™ 绘制而成）

资料

Blog

• Spark 源码分析
• Spark SQL 源码分析系列文章
• Deep Dive into Spark SQL’s Catalyst Optimizer
• SparkSQL – 从 0 到 1 认识 Catalyst

Book

• PySpark Recipes
• Advanced Analytics with Spark
• High Performance Spark
• Fast Data Processing with Spark 2, 3rd Edition
• Apache Spark 2 for Beginners
• Spark for Data Science
• Spark GraphX in Action
• Pro Spark Streaming
• Machine Learning with Spark, 2nd Edition
• Apache Spark 2.x Cookbook
• Learning Spark
• Big Data Analytics with Spark
• Spark for Python Developers
• Mastering Apache Spark 2.x, 2nd Edition
• Apache Spark Graph Processing

更多资源，欢迎加入，一起交流学习

Technical Discussion Group:（人工智能 1020982（高级）& 1217710（进阶）| BigData 1670647）

---

Post author:Benedict Jin
Post link: https://yuzhouwan.com/posts/4735/
Copyright Notice: All articles in this blog are licensed under CC BY-NC-SA 4.0 unless stating additionally.