Spark、Flink、CarbonData技术实践最佳案例解析

Spark Structured Streaming特性介绍

作为Spark Structured Streaming最核心的开发人员、Databricks工程师，Tathagata Das(以下简称“TD”)在开场演讲中介绍了Structured Streaming的基本概念，及其在存储、自动流化、容错、性能等方面的特性，在事件时间的处理机制，最后带来了一些实际应用场景。

 

首先，TD对流处理所面对的问题和概念做了清晰的讲解。TD提到，因为流处理具有如下显著的复杂性特征，所以很难建立非常健壮的处理过程：

• 一是数据有各种不同格式(Jason、Avro、二进制)、脏数据、不及时且无序;

• 二是复杂的加载过程，基于事件时间的过程需要支持交互查询，和机器学习组合使用;

• 三是不同的存储系统和格式(SQL、NoSQL、Parquet等)，要考虑如何容错。

因为可以运行在Spark SQL引擎上，Spark Structured Streaming天然拥有较好的性能、良好的扩展性及容错性等Spark优势。除此之外，它还具备丰富、统一、高层次的API，因此便于处理复杂的数据和工作流。再加上，无论是Spark自身，还是其集成的多个存储系统，都有丰富的生态圈。这些优势也让Spark Structured Streaming得到更多的发展和使用。

流的定义是一种无限表(unbounded table)，把数据流中的新数据追加在这张无限表中，而它的查询过程可以拆解为几个步骤，例如可以从Kafka读取JSON数据，解析JSON数据，存入结构化Parquet表中，并确保端到端的容错机制。其中的特性包括：

• 支持多种消息队列，比如Files/Kafka/Kinesis等。

• 可以用join(), union()连接多个不同类型的数据源。

• 返回一个DataFrame，它具有一个无限表的结构。

• 你可以按需选择SQL(BI分析)、DataFrame(数据科学家分析)、DataSet(数据引擎)，它们有几乎一样的语义和性能。

• 把Kafka的JSON结构的记录转换成String，生成嵌套列，利用了很多优化过的处理函数来完成这个动作，例如from_json()，也允许各种自定义函数协助处理，例如Lambdas, flatMap。

• 在Sink步骤中可以写入外部存储系统，例如Parquet。在Kafka sink中，支持foreach来对输出数据做任何处理，支持事务和exactly-once方式。

• 支持固定时间间隔的微批次处理，具备微批次处理的高性能性，支持低延迟的连续处理(Spark 2.3)，支持检查点机制(check point)。

• 秒级处理来自Kafka的结构化源数据，可以充分为查询做好准备。

Spark SQL把批次查询转化为一系列增量执行计划，从而可以分批次地操作数据。

 

 

 

在容错机制上，Structured Streaming采取检查点机制，把进度offset写入stable的存储中，用JSON的方式保存支持向下兼容，允许从任何错误点(例如自动增加一个过滤来处理中断的数据)进行恢复。这样确保了端到端数据的exactly-once。

在性能上，Structured Streaming重用了Spark SQL优化器和Tungsten引擎，而且成本降低了3倍!!更多的信息可以参考作者的blog。

Structured Streaming隔离处理逻辑采用的是可配置化的方式(比如定制JSON的输入数据格式)，执行方式是批处理还是流查询很容易识别。同时TD还比较了批处理、微批次-流处理、持续流处理三种模式的延迟性、吞吐性和资源分配情况。

在时间窗口的支持上，Structured Streaming支持基于事件时间(event-time)的聚合，这样更容易了解每隔一段时间发生的事情。同时也支持各种用户定义聚合函数(User Defined Aggregate Function，UDAF)。另外，Structured Streaming可通过不同触发器间分布式存储的状态来进行聚合，状态被存储在内存中，归档采用HDFS的Write Ahead Log (WAL)机制。当然，Structured Streaming还可自动处理过时的数据，更新旧的保存状态。因为历史状态记录可能无限增长，这会带来一些性能问题，为了限制状态记录的大小，Spark使用水印(watermarking)来删除不再更新的旧的聚合数据。允许支持自定义状态函数，比如事件或处理时间的超时，同时支持Scala和Java。

TD在演讲中也具体举例了流处理的应用情况。在苹果的信息安全平台中，每秒将产生有百万级事件ÿ