基于Spark通用计算平台,可以很好地扩展各种计算类型的应用,尤其是Spark提供了内建的计算库支持,像Spark Streaming、Spark SQL、MLlib、GraphX,这些内建库都提供了高级抽象,可以用非常简洁的代码实现复杂的计算逻辑、这也得益于Scala编程语言的简洁性。这里,我们基于1.3.0版本的Spark搭建了计算平台,实现基于Spark Streaming的实时计算。 我们的应用场景是分析用户使用手机App的行为,描述如下所示:
手机客户端会收集用户的行为事件(我们以点击事件为例),将数据发送到数据服务器,我们假设这里直接进入到Kafka消息队列 后端的实时服务会从Kafka消费数据,将数据读出来并进行实时分析,这里选择Spark Streaming,因为Spark Streaming提供了与Kafka整合的内置支持 经过Spark Streaming实时计算程序分析,将结果写入Redis,可以实时获取用户的行为数据,并可以导出进行离线综合统计分析
Spark Streaming介绍
Spark Streaming提供了一个叫做DStream(Discretized Stream)的高级抽象,DStream表示一个持续不断输入的数据流,可以基于Kafka、TCP Socket、Flume等输入数据流创建。在内部,一个DStream实际上是由一个RDD序列组成的。Sparking Streaming是基于Spark平台的,也就继承了Spark平台的各种特性,如容错(Fault-tolerant)、可扩展(Scalable)、高吞吐(High-throughput)等。 在Spark Streaming中,每个DStream包含了一个时间间隔之内的数据项的集合,我们可以理解为指定时间间隔之内的一个batch,每一个batch就构成一个RDD数据集,所以DStream就是一个个batch的有序序列,时间是连续的,按照时间间隔将数据流分割成一个个离散的RDD数据集,如图所示(来自官网): 我们都知道,Spark支持两种类型操作:Transformations和Actions。Transformation从一个已知的RDD数据集经过转换得到一个新的RDD数据集,这些Transformation操作包括map、filter、flatMap、union、join等,而且Transformation具有lazy的特性,调用这些操作并没有立刻执行对已知RDD数据集的计算操作,而是在调用了另一类型的Action操作才会真正地执行。Action执行,会真正地对RDD数据集进行操作,返回一个计算结果给Driver程序,或者没有返回结果,如将计算结果数据进行持久化,Action操作包括reduceByKey、count、foreach、collect等。关于Transformations和Actions更详细内容,可以查看官网文档。 同样、Spark Streaming提供了类似Spark的两种操作类型,分别为Transformations和Output操作,它们的操作对象是DStream,作用也和Spark类似:Transformation从一个已知的DStream经过转换得到一个新的DStream,而且Spark Streaming还额外增加了一类针对Window的操作,当然它也是Transformation,但是可以更灵活地控制DStream的大小(时间间隔大小、数据元素个数),例如window(windowLength, slideInterval)、countByWindow(windowLength, slideInterval)、reduceByWindow(func, windowLength, slideInterval)等。Spark Streaming的Output操作允许我们将DStream数据输出到一个外部的存储系统,如数据库或文件系统等,执行Output操作类似执行Spark的Action操作,使得该操作之前lazy的Transformation操作序列真正地执行。
Kafka+Spark Streaming+Redis编程实践
下面,我们根据上面提到的应用场景,来编程实现这个实时计算应用。首先,写了一个Kafka Producer模拟程序,用来模拟向Kafka实时写入用户行为的事件数据,数据是JSON格式,示例如下:
1
{"uid":"068b746ed4620d25e26055a9f804385f","event_time":"1430204612405","os_type":"Android","click_count":6}
一个事件包含4个字段:
uid:用户编号 event_time:事件发生时间戳 os_type:手机App操作系统类型 click_count:点击次数
下面是我们实现的代码,如下所示:
01
package
org.shirdrn.spark.streaming.utils
03
import
java.util.Properties
04
import
scala.util.Properties
05
import
org.codehaus.jettison.json.JSONObject
06
import
kafka.javaapi.producer.Producer
07
import
kafka.producer.KeyedMessage
08
import
kafka.producer.KeyedMessage
09
import
kafka.producer.ProducerConfig
10
import
scala.util.Random
12
object
KafkaEventProducer {
14
private
val
users
=
Array(
15
"4A4D769EB9679C054DE81B973ED5D768"
,
"8dfeb5aaafc027d89349ac9a20b3930f"
,
16
"011BBF43B89BFBF266C865DF0397AA71"
,
"f2a8474bf7bd94f0aabbd4cdd2c06dcf"
,
17
"068b746ed4620d25e26055a9f804385f"
,
"97edfc08311c70143401745a03a50706"
,
18
"d7f141563005d1b5d0d3dd30138f3f62"
,
"c8ee90aade1671a21336c721512b817a"
,
19
"6b67c8c700427dee7552f81f3228c927"
,
"a95f22eabc4fd4b580c011a3161a9d9d"
)
21
private
val
random
=
new
Random()
23
private
var
pointer
=
-
1
25
def
getUserID()
:
String
=
{
27
if
(pointer >
=
users.length) {
35
def
click()
:
Double
=
{
43
def
main(args
:
Array[String])
:
Unit
=
{
44
val
topic
=
"user_events"
45
val
brokers
=
"10.10.4.126:9092,10.10.4.127:9092"
46
val
props
=
new
Properties()
47
props.put(
"metadata.broker.list"
, brokers)
48
props.put(
"serializer.class"
,
"kafka.serializer.StringEncoder"
)
50
val
kafkaConfig
=
new
ProducerConfig(props)
51
val
producer
=
new
Producer[String, String](kafkaConfig)
55
val
event
=
new
JSONObject()
57
.put(
"uid"
, getUserID)
58
.put(
"event_time"
, System.currentTimeMillis.toString)
59
.put(
"os_type"
,
"Android"
)
60
.put(
"click_count"
, click)
63
producer.send(
new
KeyedMessage[String, String](topic, event.toString))
64
println(
"Message sent: "
+ event)
通过控制上面程序最后一行的时间间隔来控制模拟写入速度。下面我们来讨论实现实时统计每个用户的点击次数,它是按照用户分组进行累加次数,逻辑比较简单,关键是在实现过程中要注意一些问题,如对象序列化等。先看实现代码,稍后我们再详细讨论,代码实现如下所示:
01
object
UserClickCountAnalytics {
03
def
main(args
:
Array[String])
:
Unit
=
{
04
var
masterUrl
=
"local[1]"
05
if
(args.length >
0
) {
10
val
conf
=
new
SparkConf().setMaster(masterUrl).setAppName(
"UserClickCountStat"
)
11
val
ssc
=
new
StreamingContext(conf, Seconds(
5
))
14
val
topics
=
Set(
"user_events"
)
15
val
brokers
=
"10.10.4.126:9092,10.10.4.127:9092"
16
val
kafkaParams
=
Map[String, String](
17
"metadata.broker.list"
-> brokers,
"serializer.class"
->
"kafka.serializer.StringEncoder"
)
20
val
clickHashKey
=
"app::users::click"
23
val
kafkaStream
=
KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](ssc, kafkaParams, topics)
25
val
events
=
kafkaStream.flatMap(line
=
> {
26
val
data
=
JSONObject.fromObject(line.
_
2
)
31
val
userClicks
=
events.map(x
=
> (x.getString(
"uid"
), x.getInt(
"click_count"
))).reduceByKey(
_
+
_
)
32
userClicks.foreachRDD(rdd
=
> {
33
rdd.foreachPartition(partitionOfRecords
=
> {
34
partitionOfRecords.foreach(pair
=
> {
36
val
clickCount
=
pair.
_
2
37
val
jedis
=
RedisClient.pool.getResource
39
jedis.hincrBy(clickHashKey, uid, clickCount)
40
RedisClient.pool.returnResource(jedis)
46
ssc.awaitTermination()
上面代码使用了Jedis客户端来操作Redis,将分组计数结果数据累加写入Redis存储,如果其他系统需要实时获取该数据,直接从Redis实时读取即可。RedisClient实现代码如下所示:
01
object
RedisClient
extends
Serializable {
02
val
redisHost
=
"10.10.4.130"
04
val
redisTimeout
=
30000
05
lazy
val
pool
=
new
JedisPool(
new
GenericObjectPoolConfig(), redisHost, redisPort, redisTimeout)
07
lazy
val
hook
=
new
Thread {
09
println(
"Execute hook thread: "
+
this
)
13
sys.addShutdownHook(hook.run)
上面代码我们分别在local[K]和Spark Standalone集群模式下运行通过。 如果我们是在开发环境进行调试的时候,也就是使用local[K]部署模式,在本地启动K个Worker线程来计算,这K个Worker在同一个JVM实例里,上面的代码默认情况是,如果没有传参数则是local[K]模式,所以如果使用这种方式在创建Redis连接池或连接的时候,可能非常容易调试通过,但是在使用Spark Standalone、YARN Client(YARN Cluster)或Mesos集群部署模式的时候,就会报错,主要是由于在处理Redis连接池或连接的时候出错了。我们可以看一下Spark架构,如图所示(来自官网): 无论是在本地模式、Standalone模式,还是在Mesos或YARN模式下,整个Spark集群的结构都可以用上图抽象表示,只是各个组件的运行环境不同,导致组件可能是分布式的,或本地的,或单个JVM实例的。如在本地模式,则上图表现为在同一节点上的单个进程之内的多个组件;而在YARN Client模式下,Driver程序是在YARN集群之外的一个节点上提交Spark Application,其他的组件都运行在YARN集群管理的节点上。 在Spark集群环境部署Application后,在进行计算的时候会将作用于RDD数据集上的函数(Functions)发送到集群中Worker上的Executor上(在Spark Streaming中是作用于DStream的操作),那么这些函数操作所作用的对象(Elements)必须是可序列化的,通过Scala也可以使用lazy引用来解决,否则这些对象(Elements)在跨节点序列化传输后,无法正确地执行反序列化重构成实际可用的对象。上面代码我们使用lazy引用(Lazy Reference)来实现的,代码如下所示:
02
lazy
val
pool
=
new
JedisPool(
new
GenericObjectPoolConfig(), redisHost, redisPort, redisTimeout)
04
partitionOfRecords.foreach(pair
=
> {
06
val
clickCount
=
pair.
_
2
07
val
jedis
=
RedisClient.pool.getResource
09
jedis.hincrBy(clickHashKey, uid, clickCount)
10
RedisClient.pool.returnResource(jedis)
另一种方式,我们将代码修改为,把对Redis连接的管理放在操作DStream的Output操作范围之内,因为我们知道它是在特定的Executor中进行初始化的,使用一个单例的对象来管理,如下所示:
001
package
org.shirdrn.spark.streaming
003
import
org.apache.commons.pool
2
.impl.GenericObjectPoolConfig
004
import
org.apache.spark.SparkConf
005
import
org.apache.spark.streaming.Seconds
006
import
org.apache.spark.streaming.StreamingContext
007
import
org.apache.spark.streaming.dstream.DStream.toPairDStreamFunctions
008
import
org.apache.spark.streaming.kafka.KafkaUtils
010
import
kafka.serializer.StringDecoder
011
import
net.sf.json.JSONObject
012
import
redis.clients.jedis.JedisPool
014
object
UserClickCountAnalytics {
016
def
main(args
:
Array[String])
:
Unit
=
{
017
var
masterUrl
=
"local[1]"
018
if
(args.length >
0
) {
023
val
conf
=
new
SparkConf().setMaster(masterUrl).setAppName(
"UserClickCountStat"
)
024
val
ssc
=
new
StreamingContext(conf, Seconds(
5
))
027
val
topics
=
Set(
"user_events"
)
028
val
brokers
=
"10.10.4.126:9092,10.10.4.127:9092"
029
val
kafkaParams
=
Map[String, String](
030
"metadata.broker.list"
-> brokers,
"serializer.class"
->
"kafka.serializer.StringEncoder"
)
033
val
clickHashKey
=
"app::users::click"
036
val
kafkaStream
=
KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](ssc, kafkaParams, topics)
038
val
events
=
kafkaStream.flatMap(line
=
> {
039
val
data
=
JSONObject.fromObject(line.
_
2
)
044
val
userClicks
=
events.map(x
=
> (x.getString(
"uid"
), x.getInt(
"click_count"
))).reduceByKey(
_
+
_
)
045
userClicks.foreachRDD(rdd
=
> {
046
rdd.foreachPartition(partitionOfRecords
=
> {
047
partitionOfRecords.foreach(pair
=
> {
052
object
InternalRedisClient
extends
Serializable {
054
@
transient
private
var
pool
:
JedisPool
=
null
056
def
makePool(redisHost
:
String, redisPort
:
Int, redisTimeout
:
Int,
057
maxTotal
:
Int, maxIdle
:
Int, minIdle
:
Int)
:
Unit
=
{
058
makePool(redisHost, redisPort, redisTimeout, maxTotal, maxIdle, minIdle,
true
,
false
,
10000
)
061
def
makePool(redisHost
:
String, redisPort
:
Int, redisTimeout
:
Int,
062
maxTotal
:
Int, maxIdle
:
Int, minIdle
:
Int, testOnBorrow
:
Boolean,
063
testOnReturn
:
Boolean, maxWaitMillis
:
Long)
:
Unit
=
{
065
val
poolConfig
=
new
GenericObjectPoolConfig()
066
poolConfig.setMaxTotal(maxTotal)
067
poolConfig.setMaxIdle(maxIdle)
068
poolConfig.setMinIdle(minIdle)
069
poolConfig.setTestOnBorrow(testOnBorrow)
070
poolConfig.setTestOnReturn(testOnReturn)
071
poolConfig.setMaxWaitMillis(maxWaitMillis)
072
pool
=
new
JedisPool(poolConfig, redisHost, redisPort, redisTimeout)
074
val
hook
=
new
Thread{
075
override
def
run
=
pool.destroy()
077
sys.addShutdownHook(hook.run)
081
def
getPool
:
JedisPool
=
{
091
val
redisHost
=
"10.10.4.130"
093
val
redisTimeout
=
30000
095
InternalRedisClient.makePool(redisHost, redisPort, redisTimeout, maxTotal, maxIdle, minIdle)
098
val
clickCount
=
pair.
_
2
099
val
jedis
=
InternalRedisClient.getPool.getResource
100
jedis.select(dbIndex)
101
jedis.hincrBy(clickHashKey, uid, clickCount)
102
InternalRedisClient.getPool.returnResource(jedis)
108
ssc.awaitTermination()
上面代码实现,得益于Scala语言的特性,可以在代码中任何位置进行class或object的定义,我们将用来管理Redis连接的代码放在了特定操作的内部,就避免了瞬态(Transient)对象跨节点序列化的问题。这样做还要求我们能够了解Spark内部是如何操作RDD数据集的,更多可以参考RDD或Spark相关文档。 在集群上,以Standalone模式运行,执行如下命令:
2
./bin/spark-submit --class org.shirdrn.spark.streaming.UserClickCountAnalytics --masterspark://hadoop1:7077 --executor-memory 1G --total-executor-cores 2 ~/spark-0.0.SNAPSHOT.jarspark://hadoop1:7077
可以查看集群中各个Worker节点执行计算任务的状态,也可以非常方便地通过Web页面查看。 下面,看一下我们存储到Redis中的计算结果,如下所示:
01
127.0.0.1:6379[1]> HGETALL app::users::click
02
1) "4A4D769EB9679C054DE81B973ED5D768"
04
3) "8dfeb5aaafc027d89349ac9a20b3930f"
06
5) "011BBF43B89BFBF266C865DF0397AA71"
08
7) "97edfc08311c70143401745a03a50706"
10
9) "d7f141563005d1b5d0d3dd30138f3f62"
12
11) "a95f22eabc4fd4b580c011a3161a9d9d"
14
13) "6b67c8c700427dee7552f81f3228c927"
16
15) "f2a8474bf7bd94f0aabbd4cdd2c06dcf"
18
17) "c8ee90aade1671a21336c721512b817a"
20
19) "068b746ed4620d25e26055a9f804385f"
有关更多关于Spark Streaming的详细内容,可以参考官方文档。
附录
这里,附上前面开发的应用所对应的依赖,以及打包Spark Streaming应用程序的Maven配置,以供参考。如果使用maven-shade-plugin插件,配置有问题的话,打包后在Spark集群上提交Application时候可能会报错Invalid signature file digest for Manifest main attributes。参考的Maven配置,如下所示:
003
<
modelVersion
>4.0.0</
modelVersion
>
004
<
groupId
>org.shirdrn.spark</
groupId
>
005
<
artifactId
>spark</
artifactId
>
006
<
version
>0.0.1-SNAPSHOT</
version
>
010
<
groupId
>org.apache.spark</
groupId
>
011
<
artifactId
>spark-core_2.10</
artifactId
>
012
<
version
>1.3.0</
version
>
015
<
groupId
>org.apache.spark</
groupId
>
016
<
artifactId
>spark-streaming_2.10</
artifactId
>
017
<
version
>1.3.0</
version
>
020
<
groupId
>net.sf.json-lib</
groupId
>
021
<
artifactId
>json-lib</
artifactId
>
022
<
version
>2.3</
version
>
025
<
groupId
>org.apache.spark</
groupId
>
026
<
artifactId
>spark-streaming-kafka_2.10</
artifactId
>
027
<
version
>1.3.0</
version
>
030
<
groupId
>redis.clients</
groupId
>
031
<
artifactId
>jedis</
artifactId
>
032
<
version
>2.5.2</
version
>
035
<
groupId
>org.apache.commons</
groupId
>
036
<
artifactId
>commons-pool2</
artifactId
>
037
<
version
>2.2</
version
>
042
<
sourceDirectory
>${basedir}/src/main/scala</
sourceDirectory
>
043
<
testSourceDirectory
>${basedir}/src/test/scala</
testSourceDirectory
>
046
<
directory
>${basedir}/src/main/resources</
directory
>
051
<
directory
>${basedir}/src/test/resources</
directory
>
056
<
artifactId
>maven-compiler-plugin</
artifactId
>
057
<
version
>3.1</
version
>
064
<
groupId
>org.apache.maven.plugins</
groupId
>
065
<
artifactId
>maven-shade-plugin</
artifactId
>
066
<
version
>2.2</
version
>
068
<
createDependencyReducedPom
>true</
createDependencyReducedPom
>
072
<
phase
>package</
phase
>
079
<
include
>*:*</
include
>
084
<
artifact
>*:*</
artifact
>
086
<
exclude
>META-INF/*.SF</
exclude
>
087
<
exclude
>META-INF/*.DSA</
exclude
>
088
<
exclude
>META-INF/*.RSA</
exclude
>
094
implementation
=
"org.apache.maven.plugins.shade.resource.ServicesResourceTransformer"
/>
096
implementation
=
"org.apache.maven.plugins.shade.resource.AppendingTransformer"
>
097
<
resource
>reference.conf</
resource
>
100
implementation
=
"org.apache.maven.plugins.shade.resource.DontIncludeResourceTransformer"
>
101
<
resource
>log4j.properties</
resource
>
参考链接