Sparkstreaming reduceByKeyAndWindow(_+_, _-_, Duration, Duration) 的源码/原理解析

最近在玩spark streaming， 感觉到了他的强大。 然后看 StreamingContext的源码去理解spark是怎么完成计算的。 大部分的源码比较容易看懂， 但是这个 
reduceByKeyAndWindow(_+_, _-_, Duration, Duration) 
还是花了不少时间。 主要还是由于对spark不熟悉造成的吧， 还好基本弄明白了。 

总的来说SparkStreaming提供这个方法主要是出于效率考虑。 比如说我要每10秒计算一下前15秒的内容，（每个batch 5秒）， 可以想象每十秒计算出来的结果和前一次计算的结果其实中间有5秒的时间值是重复的。 
那么就是通过如下步骤 
1. 存储上一个window的reduce值 
2.计算出上一个window的begin 时间到 重复段的开始时间的reduce 值 =》 oldRDD 
3.重复时间段的值结束时间到当前window的结束时间的值 =》 newRDD 
4.重复时间段的值等于上一个window的值减去oldRDD 

这样就不需要去计算每个batch的值， 只需加加减减就能得到新的reduce出来的值。 

从代码上面来看， 入口为： 
reduceByKeyAndWindow(_+_, _-_, Duration, Duration) 

一步一步跟踪进去， 可以看到实际的业务类是在ReducedWindowedDStream 这个类里面： 
代码理解就直接拿这个类来看了： 主要功能是在compute里面实现， 通过下面代码回调mergeValues 来计算最后的返回值 

val mergedValuesRDD = cogroupedRDD.asInstanceOf[RDD[(K, Array[Iterable[V]])]]  
      .mapValues(mergeValues)  

先计算oldRDD 和newRDD 

//currentWindow  就是以当前时间回退一个window的时间再向前一个batch 到当前时间的窗口 代码里面有一个图很有用： 
我们要计算的new rdd就是15秒-25秒期间的值， oldRDD就是0秒到10秒的值， previous window的值是1秒 - 15秒的值 

然后最终结果是 重复区间（previous window的值 - oldRDD的值） =》 也就是中间重复部分， 再加上newRDD的值， 这样的话得到的结果就是10秒到25秒这个时间区间的值 

// 0秒                  10秒     15秒                25秒  
//  _____________________________  
// |  previous window   _________|___________________  
// |___________________|       current window        |  --------------> Time  
//                     |_____________________________|  
//  
// |________ _________|          |________ _________|  
//          |                             |  
//          V                             V  
//       old RDDs                     new RDDs  
//  

 

val currentTime = validTime  
  
  
    val currentWindow = new Interval(currentTime - windowDuration + parent.slideDuration,  
      currentTime)  
    val previousWindow = currentWindow - slideDuration  
  
   val oldRDDs =  
      reducedStream.slice(previousWindow.beginTime, currentWindow.beginTime - parent.slideDuration)  
    logDebug("# old RDDs = " + oldRDDs.size)  
  
    // Get the RDDs of the reduced values in "new time steps"  
    val newRDDs =  
      reducedStream.slice(previousWindow.endTime + parent.slideDuration, currentWindow.endTime)  
    logDebug("# new RDDs = " + newRDDs.size)  

得到newRDD和oldRDD后就要拿到previous windows的值： 如果第一次没有previous window那么建一个空RDD， 为最后计算结果时 arrayOfValues(0).isEmpty 铺垫 

val previousWindowRDD =  
      getOrCompute(previousWindow.endTime).getOrElse(ssc.sc.makeRDD(Seq[(K, V)]()))

然后把所有的值放到一个数组里面 0是previouswindow， 1到oldRDD.size是oldrdd， oldRDD.size到newRDD.size是newrdd 

val allRDDs = new ArrayBuffer[RDD[(K, V)]]() += previousWindowRDD ++= oldRDDs ++= newRDDs

将每个RDD的(K,V) 转变成(K, Iterator(V))的形式： 

比如说有两个值(K,a) 和(K,b) 那么coGroup后就会成为(K, Iterator(a,b))这种形式 
 

val cogroupedRDD = new CoGroupedRDD[K](allRDDs.toSeq.asInstanceOf[Seq[RDD[(K, _)]]],  
     partitioner) 

进行最后的计算： 

 val mergeValues = (arrayOfValues: Array[Iterable[V]]) => {  
...  
  
}  

首先判断RDD的value数量是不是正确 previous window因为已经计算过所以只有一组值 
正确值为 1 （previous window value） + numOldValues (oldRDD 每个RDD的value) + numNewValues (newRDD 每个RDD的value) 

if (arrayOfValues.size != 1 + numOldValues + numNewValues) {  
  throw new Exception("Unexpected number of sequences of reduced values")  
}  

接下来取出oldRDD的值和newRDD的值： 

val oldValues = (1 to numOldValues).map(i => arrayOfValues(i)).filter(!_.isEmpty).map(_.head)  
val newValues =  
       (1 to numNewValues).map(i => arrayOfValues(numOldValues + i)).filter(!_.isEmpty).map(_.head)  

如果previous window是空的， 那么就直接计算newRDD的值（这也是为什么每次计算时候第一次打出来的值都比较少， 因为他只有newRDD部分没有重合部分， 也就是只有10秒的内容而不是15秒） 

if (arrayOfValues(0).isEmpty) {  
       // If previous window's reduce value does not exist, then at least new values should exist  
       if (newValues.isEmpty) {  
         throw new Exception("Neither previous window has value for key, nor new values found. " +  
           "Are you sure your key class hashes consistently?")  
       }  
       // Reduce the new values  
       newValues.reduce(reduceF) // return  
     }  

如果有previous window的值， 那么先存到tempValue， 如果有oldRDD那么减去oldRDD， 如果有newRDD (一般都有) 那么加上newRDD的值 这样就组成上图里面10到25秒区间的值了 
 

else {  
        // Get the previous window's reduced value  
        var tempValue = arrayOfValues(0).head  
        // If old values exists, then inverse reduce then from previous value  
        if (!oldValues.isEmpty) {  
          tempValue = invReduceF(tempValue, oldValues.reduce(reduceF))  
        }  
        // If new values exists, then reduce them with previous value  
        if (!newValues.isEmpty) {  
          tempValue = reduceF(tempValue, newValues.reduce(reduceF))  
        }  
        tempValue // return  
      }  

最后如果有filter的function的话就filter一下： 

if (filterFunc.isDefined) {  
      Some(mergedValuesRDD.filter(filterFunc.get))  
    } else {  
      Some(mergedValuesRDD)  
    }  

这样就返回了新window内的值