在Kafka、Storm、Flink、Spark Streaming等分布式流处理系统中(没错,Kafka本质上是流处理系统,不是单纯的“消息队列”),存在三种消息传递语义(message delivery semantics),分别是:
- at least once:每条消息会被收到1次或多次。例如发送方S在超时时间内没有收到接收方R的通知(如ack),或者收到了R的报错,就会不断重发消息直至R传回ack。
- at most once:每条消息会被收到0次或1次。也就是说S只负责向R发送消息,R也没有任何通知机制。无论R最终是否收到,S都不会重发。
- exactly once:是上面两个的综合,保证S发送的每一条消息,R都会“不重不漏”地恰好收到1次。它是最强最精确的语义,也最难实现
一个Spark Streaming程序由三步组成:输入、处理逻辑、输出。要达到exactly once的理想状态,需要三步协同进行,而不是只与处理逻辑有关。如下图所示:
Kafka与Spark Streaming集成时有两种方法:
- 基于receiver
- 基于direct
1、基于receiver
- 基于receiver的采用kafka高级消费者API,消费者不能自己去维护消费者offset,而且kafka也不关心数据是否丢失。
- 每个executor进程都会不断拉取消息,并同时保存在executor内存与HDFS上的预写日志(Write-Ahead log,WAL)
- 当消息写入WAL后,自动更新ZK中的offset
它可以保证At Least Once语义,但无法保证Exactly Once语义。虽然引入了WAL来保证消息不会丢失,但还有可能会出现消息已经写入WAL,但offset更新失败的情况,Kafka就会按上一次的offset重新发送消息。其基本示例如下:
- receiver模式依赖zookeeper管理offset。
- receiver模式的并行度由spark.streaming.blockInterval决定,默认是200ms。
- receiver模式接收block.batch数据后会封装到RDD中,这里的block对应RDD中的partition。
- 在batchInterval一定的情况下,减少spark.streaming.Interval参数值,会增大DStream中的partition个数,建议spark.streaming.Interval最低不能低于50ms。
object KafkaWordCount {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName("kafkaWordCount").setMaster("local[*]")
val ssc = new StreamingContext(conf, Seconds(10))
// 创建DSteam,需要KafkaDStream
val zkQuorum = "zk1:2181,zk2:2181,zk3:2181"
val groupId = "g1"
val topic = Map[String, Int]("test"-> 1)
val data: ReceiverInputDStream[(String, String)] = KafkaUtils.createStream(ssc, zkQuorum, groupId, topic, StorageLevel.MEMORY_AND_DISK_SER_2)
// 对数据进行处理
val lines: DStream[String] = data.map(_._2)
val reduced: DStream[(String, Int)] = lines.flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_)
reduced.print()
// 启动执行
ssc.start()
ssc.awaitTermination()
}
}
这种方式还会造成数据冗余(Kafka broker中一份数据,spark executor中一分),是吞吐量和内存利用率降低。
2、基于direct
- 基于direct的方法采用Kafka的简单消费者API,它的流程大大简化。
- executor不再从Kafka中连续读取消息,也消除了receiver和WAL。
- Kafka分区与RDD分区一一对应,更可控
- driver线程只需要每次从Kafka获得批次消息的offset range
- 然后executor进程根据offset range去读取该批次对应的消息
- 由于offset在kafka中能唯一确定一条消息,且在外部只能被Streaming程序本身感知到,因此消除了不一致性,达到了Exactly Once
不过由于它采用了简单消费者API,我们需要自己来管理offset。否则一旦程序崩溃,整个流只能从earliest或者latest点恢复。其示例如下:
object DirectKafkaWordCount {
def main(args: Array[String]) {
if (args.length < 2) {
System.err.println(s"""
|Usage: DirectKafkaWordCount <brokers> <topics>
| <brokers> is a list of one or more Kafka brokers
| <topics> is a list of one or more kafka topics to consume from
|
""".stripMargin)
System.exit(1)
}
StreamingExamples.setStreamingLogLevels()
val Array(brokers, topics) = args
// Create context with 2 second batch interval
val sparkConf = new SparkConf().setAppName("DirectKafkaWordCount")
val ssc = new StreamingContext(sparkConf, Seconds(2))
// Create direct kafka stream with brokers and topics
val topicsSet = topics.split(",").toSet
val kafkaParams = Map[String, String]("metadata.broker.list" -> brokers)
val messages = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](
ssc, kafkaParams, topicsSet)
// Get the lines, split them into words, count the words and print
val lines = messages.map(_._2)
val words = lines.flatMap(_.split(" "))
val wordCounts = words.map(x => (x, 1L)).reduceByKey(_ + _)
wordCounts.print()
// Start the computation
ssc.start()
ssc.awaitTermination()
}
}
其创建createDirectStream的源码如下:
def createDirectStream[
K: ClassTag,
V: ClassTag,
KD <: Decoder[K]: ClassTag,
VD <: Decoder[V]: ClassTag] (
ssc: StreamingContext,
kafkaParams: Map[String, String],
topics: Set[String]
): InputDStream[(K, V)] = {
val messageHandler = (mmd: MessageAndMetadata[K, V]) => (mmd.key, mmd.message)
// 创建KakfaCluster对象
val kc = new KafkaCluster(kafkaParams)
// 根据kc的信息获取数据偏移量
val fromOffsets = getFromOffsets(kc, kafkaParams, topics)
new DirectKafkaInputDStream[K, V, KD, VD, (K, V)](
ssc, kafkaParams, fromOffsets, messageHandler)
}
其首先通过KafkaCluster从Kafka集群获取信息,并创建DirectKafkaInputDStream对象返回;在DirectKafkaInputDStream的compute方法中,其首先从Kafka集群获取数据的偏移量,然后利用获取偏移量创建RDD。其DirectKafkaInputDStream的compute方法源码如下:
override def compute(validTime: Time): Option[KafkaRDD[K, V, U, T, R]] = {
// 计算最近的数据终止偏移量
val untilOffsets = clamp(latestLeaderOffsets(maxRetries))
// 利用数据的偏移量创建KafkaRDD
val rdd = KafkaRDD[K, V, U, T, R](
context.sparkContext, kafkaParams, currentOffsets, untilOffsets, messageHandler)
// Report the record number and metadata of this batch interval to InputInfoTracker.
val offsetRanges = currentOffsets.map { case (tp, fo) =>
val uo = untilOffsets(tp)
OffsetRange(tp.topic, tp.partition, fo, uo.offset)
}
val description = offsetRanges.filter { offsetRange =>
// Don't display empty ranges.
offsetRange.fromOffset != offsetRange.untilOffset
}.map { offsetRange =>
s"topic: ${offsetRange.topic}\tpartition: ${offsetRange.partition}\t" +
s"offsets: ${offsetRange.fromOffset} to ${offsetRange.untilOffset}"
}.mkString("\n")
// Copy offsetRanges to immutable.List to prevent from being modified by the user
val metadata = Map(
"offsets" -> offsetRanges.toList,
StreamInputInfo.METADATA_KEY_DESCRIPTION -> description)
val inputInfo = StreamInputInfo(id, rdd.count, metadata)
ssc.scheduler.inputInfoTracker.reportInfo(validTime, inputInfo)
currentOffsets = untilOffsets.map(kv => kv._1 -> kv._2.offset)
Some(rdd)
}
处理逻辑的保证
Spark RDD之所以被称为“弹性分布式数据集”,是因为它具有不可变、可分区、可并行计算、容错的特征。一个RDD只能由稳定的数据集生成,或者从其他RDD转换(transform)得来。如果在执行RDD lineage的过程中失败,那么只要元数据不发生变化,无论重新执行多少次lineage,都会得到同样的、确定的结果。
Spark Streaming的输出一般是靠foreachRDD()算子来实现,它默认是at least once的。如果输出过程中出错,那么就会重复执行知道写入成功。为了让它符合Exactly once,可以施加两种限制之一:幂等性(idempotent write)和事务性写入(transactional write)
- 幂等性写入
幂等性原来是数学里的概念,即f(f(x))=f(x)。幂等写入就是写入多次与写入一次的结果完全相同,可以自动将at least once转化为Exactly once。这对于自带主键或主键组的业务比较合适(如:各类日志、MySQL binlog),并且实现起来简单;但是它要求处理逻辑是map-only的,也就是只能包含转换、过滤等操作,不能包含shuffle、聚合等操作。如果条件更严格,就只能采用事务性写入方法:
stream.foreachRDD { rdd =>
rdd.foreachPartition { iter =>
// make sure connection pool is set up on the executor before writing
SetupJdbc(jdbcDriver, jdbcUrl, jdbcUser, jdbcPassword)
iter.foreach { case (key, msg) =>
DB.autoCommit { implicit session =>
// the unique key for idempotency is just the text of the message itself, for example purposes
sql"insert into idem_data(msg) values (${msg})".update.apply
}
}
}
}
- 事务性写入
这里的事务和DBMS中的事务含义基本相同,就是对数据进行一系列访问与更新操作所组成的逻辑块。为了符合事务性的ACID特性,必须引入一个唯一ID标识当前的处理逻辑,并且将计算结果与该ID一起落盘。ID可以由主题、分区、时间、offset等共同组成;事务操作可以在foreachRDD()时进行。如果数据吸入失败,或者offset吸入与当前offset range不匹配,那么这一批次数据都将失败并且回滚:
// localTx is transactional, if metric update or offset update fails, neither will be committed
DB.localTx { implicit session =>
// store metric data
val metricRows = sql"""
update txn_data set metric = metric + ${metric}
where topic = ${osr.topic}
""".update.apply()
if (metricRows != 1) {
throw new Exception("...")
}
// store offsets
val offsetRows = sql"""
update txn_offsets set off = ${osr.untilOffset}
where topic = ${osr.topic} and part = ${osr.partition} and off = ${osr.fromOffset}
""".update.apply()
if (offsetRows != 1) {
throw new Exception("...")
}
}