最近看完了《Spark 大数据处理》一数,收益非浅,又结合平时工作中用到的一些开发实践,用Python实现了Spark编程过程中经常用到且比较基础的编程模型,拿出来与大家分享,如有不足还请补充。
《Spark 大数据处理》 一书中也有相关的例子,但是是用Scala实现的,个人觉得还是Python API的语法还是更加简洁清晰,所以选择了用Python来实现,语言都是浮云,主要还是看思路,由于篇幅限制,只列出部分核心代码。
- 第一招:wordcount
- 介绍:对于大数据编程领域的经典例子,是肯定要第一招学会的,其实wordcount并不只是个wordcount,它还有很用应用的场景,例如统计过去一段时间网站中各个商品的浏览量,最近一段时间相同查询的数量等
- 代码逻辑
实现该功能主要包括以下四步- 将文件内容转换成RDD
- 对文件的行按照特定字符分割
- 将每个提取到的数据转换成(element,1)的格式
- 把所有的(element,1)的数据使用reduceBy进行element的叠加统计
- 实现代码
完整功能的核心代码加上打印只需要两行
[python] view plain copy- data_file=sc.textFile("hdfs://10.5.24.137:9990/temp/2016052512/tf_00000000")
- result=data_file.map(lambda x:x.split("\t")[0]).map(lambda x:(x,1)).reduceByKey(lambda x,y:x+y)
- result.foreach(print)
- 第二招:TopK
- 介绍
TopK也是进行大数据编程的经典案例。改编程模型主要用在“最近一段时间内登录系统最多的IP,文章/商品浏览排行TopN”等应用场景 - 代码逻辑
代码逻辑比wordcount多了一个TopN的特性,考虑到数据量可能很大,如果将数据从各个节点传到单一节点进行排序的话,在网络上损耗的时间可能会比较大,这里采用了先在各个分区上选出TopN,再对每个分区的TopN结果再进行一次TopN的处理,从而减少的数据的传输。在单个分区上选择TopN的代码中使用了heap作为底层的数据结构 - 实现代码
[python] view plain copy- data_file=sc.textFile("hdfs://10.5.24.137:9990/temp/2016052512/tf_00000000")
- #先算出全部的wordcount
- result=data_file.map(lambda x:x.split("\t")[0]).map(lambda x:(x,1)).reduceByKey(lambda x,y:x+y)
- topn=10
- #使用heapq.nlarges方法算出每个分区的topn,排序的key使用e[1]
- par_topk=result.mapPartitions(lambda elements:heapq.nlargest(topn,elements,key=lambda e:e[1]))
- #汇总每个分区的topn,并对所有分区的topn结果再次取topn,排序的key使用e[1]
- final_result=heapq.nlargest(topn,par_topk.collect(),key=lambda e:e[1])
- print final_result
- 介绍
- 第三招:中位数
- 介绍
首先说一下啥叫中位数:
百度的定义为:中位数(又称中值,英语:Median),统计学中的专有名词,代表一个样本、种群或概率分布中的一个数值,其可将数值集合划分为相等的上下两部分。对于有限的数集,可以通过把所有观察值高低排序后找出正中间的一个作为中位数。如果观察值有偶数个,通常取最中间的两个数值的平均数作为中位数。
说白了,就是一个有序数据中,处于中间位置的那个数
对比前面两招,这一招似乎不是那么的出名,其实这一招的应用场景也很广,比如对于海量的数据需要统计某一列数据的中位数,从而了解数据的分布情况。
- 代码逻辑
1,将整体的数据分为K个桶,统计每个桶内的数据量,然后统计整个数据量
2,根据桶的数量和总的数据量,可以判断数据落在哪个桶里,以及中位数的偏移量
3,取出这个中位数
对于数据量不大的情况,使用上面的逻辑是没有任何好处的,只有在海量数据的情况下,才能体现出上面算法的威力 - 实现代码
[python] view plain copy- #对排序数组进行分组,分组的数量和数据量相关
- group_element=sorted_array.map(lambda e:(e/10,e)).sortByKey()
- #统计每个分组的元素个数
- group_element_count=sorted_array.map(lambda e:(e/10,1)).reduceByKey(lambda x,y:x+y).sortByKey()
- group_element_count_map=group_element_count.collectAsMap()
- #算出总的元素个数
- element_count=group_element_count.map(lambda (k,v):v).sum()
- temp=0
- index=0
- mid=0
- temp2=0
- if element_count%2!=0:
- mid=element_count/2+1
- else:
- mid=element_count/2
- pcount=group_element_count.count()
- for i in range(pcount):
- temp+=group_element_count_map[i]
- temp2=temp-group_element_count_map[i]
- if temp>=mid:
- #得到中位的index
- index=i
- break
- offset=mid-temp2
- result=group_element.filter(lambda (k,v):k==index).takeOrdered(offset)
- 介绍
- 第四招:Count Once
- 介绍
如果原始数组中所有的元素理论上都应该出现偶数次,该程序可以方便的找到出现奇数次的数,此招主要的应用场景为海量数据块损坏检测,例如每个数据块都有一个副本,有一个数据块损坏,要从海量的元数据信息中找出损坏的那个块
- 代码逻辑
1,对RDD中每个分区的数据进行异或操作
2,对步骤1的结果再次进行异或操作
3,当一个数字进行偶数次异或时,结果等于0,否则等于该数本身,由此得到出现奇数次的那个数
- 实现代码
[python] view plain copy- base_array=range(10000000)*4
- base_array.append(1883)
- odd_rdd=sc.parallelize(base_array)
- #异或函数
- odd_func=lambda x,y:x^y
- #对每个分区进行处理的函数
- def odd(chain):
- result=reduce(odd_func,chain)
- yield (1,result)
- par_rdd=odd_rdd.mapPartitions(odd).cache()
- par_result=par_rdd.collect()
- #对每个分区的结果再次进行异或操作,最后的结果就是奇数次出现的那个数
- final_result=par_rdd.reduceByKey(lambda x,y:x^y).collect()[0][1]
- 介绍
- 第五招:数据倾斜
- 介绍
此招要解决的问题也是实际数据分析过程中经常出现的问题,在执行一个RDD的操作时,有没有发现有个别的task会拖慢整个job的情况?有的话就要注意了,这种问题产生的原因一般都是由于数据分区不均匀导致,具体不均匀的原因可能是分区的key本身在业务上可能就存在倾斜,或是数据本身就有倾斜 - 代码逻辑
1,先对rdd进行采样,假设只有一个key倾斜,获取倾斜率最大的key
2,根据步骤1得到的max_count_key,将原rdd进行拆分,一部分只包括max_count_key,另外一部分不包括max_count_key,然后分别与normal_rdd进行join,最后将结果union
- 实现代码
[python] view plain copy- #存在数据倾斜的列表
- skew_list=[('a',random.randint(1,1000)) for i in range(1000000)]
- skew_list.append(('b',10))
- skew_list.append(('c',8))
- #正常的数据列表
- normal_list=[('a',9),('b',3),('c',8)]
- skew_rdd=sc.parallelize(skew_list)
- normal_rdd=sc.parallelize(normal_list)
- #进行倾斜处理
- #1,先对skew_rdd进行采样,假设只有一个key倾斜,获取倾斜率最大的key
- skew_sample=skew_rdd.sample(False,0.3,9).groupByKey()
- skew_sample.cache()
- skew_sample_count_map=skew_sample.map(lambda (k,v):(len(v),k))
- skew_sample_count_map.cache()
- max_count=skew_sample_count_map.reduce(lambda x,y:max(x[0],y[0]))[0]
- max_count_key=skew_sample_count_map.filter(lambda x:x[0]==max_count).collect()[0][1]
- #2,根据步骤1得到的max_count_key,将skew_rdd进行拆分,一部分只包括max_count_key,另外一部分不包括max_count_key,然后分别与normal_rdd进行join,最后将结果union
- max_key_rdd=skew_rdd.filter(lambda x:x[0]==max_count_key)
- other_key_rdd=skew_rdd.filter(lambda x:x[0]!=max_count_key)
- result1=max_key_rdd.join(normal_rdd)
- result2=other_key_rdd.join(normal_rdd)
- print result1.union(result2).count()
- 介绍
说明
Spark Streaming的原理说明的文章很多,这里不做介绍。本文主要介绍使用Kafka作为数据源的编程模型,编码实践,以及一些优化说明
spark streaming:http://spark.apache.org/docs/1.6.0/streaming-programming-guide.html
streaming-kafka-integration:http://spark.apache.org/docs/1.6.0/streaming-kafka-integration.html
演示环境
- Spark:1.6
- Kafka:kafka_2.11-0.9.0.1
- 实现语言:Python
编程模型
目前Spark Streaming 的kafka编程主要包括两种模型
1. 基于Receiver
2. Direct(无Receiver)
基于Receiver
这种方式利用接收器(Receiver)来接收kafka中的数据,其最基本是使用Kafka高阶用户API接口。对于所有的接收器,从kafka接收来的数据会存储在spark的executor中,之后spark streaming提交的job会处理这些数据
原理图
说明
- 需要借助Write Ahead Logs 来保证数据的不丢失,如果我们启用了Write Ahead Logs复制到文件系统如HDFS,那么storage level需要设置成 StorageLevel.MEMORY_AND_DISK_SER,也就是KafkaUtils.createStream(…, StorageLevel.MEMORY_AND_DISK_SER)
- 在Receiver的方式中,Spark中的partition和kafka中的partition并不是相关的,所以如果我们加大每个topic的partition数量,仅仅是增加线程来处理由单一Receiver消费的主题。但是这并没有增加Spark在处理数据上的并行度。
- 对于不同的Group和topic我们可以使用多个Receiver创建不同的Dstream来并行接收数据,之后可以利用union来统一成一个Dstream。
Direct(无Receiver)
在spark1.3之后,引入了Direct方式。不同于Receiver的方式,Direct方式没有receiver这一层,其会周期性的获取Kafka中每个topic的每个partition中的最新offsets,之后根据设定的maxRatePerPartition来处理每个batch
不同于Receiver的方式(是从Zookeeper中读取offset值,那么自然zookeeper就保存了当前消费的offset值,那么如果重新启动开始消费就会接着上一次offset值继续消费)。而在Direct的方式中,是直接从kafka来读数据,那么offset需要自己记录,可以利用checkpoint、数据库或文件记录或者回写到zookeeper中进行记录
原理图
说明
- 简化的并行:在Receiver的方式中我们提到创建多个Receiver之后利用union来合并成一个Dstream的方式提高数据传输并行度。而在Direct方式中,Kafka中的partition与RDD中的partition是一一对应的并行读取Kafka数据,这种映射关系也更利于理解和优化。
- 高效:在Receiver的方式中,为了达到0数据丢失需要将数据存入Write Ahead Log中,这样在Kafka和日志中就保存了两份数据,浪费!而第二种方式不存在这个问题,只要我们Kafka的数据保留时间足够长,我们都能够从Kafka进行数据恢复。
- 精确一次:在Receiver的方式中,使用的是Kafka的高阶API接口从Zookeeper中获取offset值,这也是传统的从Kafka中读取数据的方式,但由于Spark Streaming消费的数据和Zookeeper中记录的offset不同步,这种方式偶尔会造成数据重复消费。而第二种方式,直接使用了简单的低阶Kafka API,Offsets则利用Spark Streaming的checkpoints进行记录,消除了这种不一致性。
代码实践
Kafka生产者
package com.eric.kafka.producer;
import java.util.ArrayList;
import java.util.List;
import java.util.Random;
import java.util.Properties;
import kafka.javaapi.producer.Producer;
import kafka.producer.KeyedMessage;
import kafka.producer.ProducerConfig;
/**
* Hello world!
*/
public class ProcuderSample {
private final Producer<String, String> producer;
public final static String TOPIC = "spark_streaming_test_topic";
public final static Integer BATCH_SIZE = 2000;
private ProcuderSample() {
Properties props = new Properties();
// 此处配置的是kafka的端口
props.put("metadata.broker.list", "server1-2-5-24-138:9092,server1-3-5-24-139:9092,server1:9092");
// 配置value的序列化类
props.put("serializer.class", "kafka.serializer.StringEncoder");
// 配置key的序列化类
props.put("key.serializer.class", "kafka.serializer.StringEncoder");
props.put("request.required.acks", "-1");
producer = new Producer<String, String>(new ProducerConfig(props));
}
public void deadLoopSendMessage(){
int recordCount=0;
List<KeyedMessage<String, String>> tmpList=new ArrayList<KeyedMessage<String, String>>();
while(true){
Random rand=new Random();
// 批量发送数据
// String randResult=recordCount+":"+rand.nextInt(100);
String randResult=rand.nextInt(10)+"";
tmpList.add(new KeyedMessage<String, String>(TOPIC, randResult , randResult));
if (tmpList.size()%BATCH_SIZE==0){
producer.send(tmpList);
tmpList.clear();
}
// producer.send(new KeyedMessage<String, String>(TOPIC, randResult , randResult));
recordCount+=1;
}
}
public static void main(String[] args) {
new ProcuderSample().deadLoopSendMessage();
}
}
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
Receiver方式收取数据
# encoding:utf-8
__author__ = 'eric.sun'
"""演示如何使用Spark Streaming 通过Kafka Streaming实现WordCount
执行命令:./spark-submit --master spark://server1-1-5-24-137:7077 --packages org.apache.spark:spark-streaming-kafka_2.10:1.6.0 ../examples/kafka_streaming.py > log
Kafka数据源程序:https://github.com/Eric-aihua/practise.git/java_cookbook/cookbook/src/main/java/com/eric/kafka/producer/ProcuderSample.java
"""
from pyspark import SparkContext
from pyspark import SparkConf
from pyspark.streaming import StreamingContext
from pyspark.streaming.kafka import KafkaUtils
def start():
sconf=SparkConf()
# sconf.set('spark.streaming.blockInterval','100')
sconf.set('spark.cores.max' , 8)
sc=SparkContext(appName='KafkaWordCount',conf=sconf)
ssc=StreamingContext(sc,2)
numStreams = 3
kafkaStreams = [KafkaUtils.createStream(ssc,"server1-2-5-24-138:2181,server1-3-5-24-139:2181,server1-4-5-24-140:2181","streaming_test_group",{"spark_streaming_test_topic":1}) for _ in range (numStreams)]
unifiedStream = ssc.union(*kafkaStreams)
print unifiedStream
#统计生成的随机数的分布情况
result=unifiedStream.map(lambda x:(x[0],1)).reduceByKey(lambda x, y: x + y)
result.pprint()
ssc.start() # Start the computation
ssc.awaitTermination() # Wait for the computation to terminate
if __name__ == '__main__':
start()
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
Direct方式收取数据
# encoding:utf-8
__author__ = 'eric.sun'
"""演示如何使用Spark Streaming 通过Kafka Direct Streaming实现WordCount
执行命令:./spark-submit --master spark://server1-1-5-24-137:7077 --packages org.apache.spark:spark-streaming-kafka_2.10:1.6.0 ../examples/kafka_streaming.py > log
Kafka数据源程序:https://github.com/Eric-aihua/practise.git/java_cookbook/cookbook/src/main/java/com/eric/kafka/producer/ProcuderSample.java
使用Direct的好处
1:根据topic的分区数默认的创建对应数量的rdd分区数
2:Receiver的方式需要通过Write AHead Log的方式确保数据不丢失,Direct的方式不需要
3:一次处理:使用Kafka Simple API对数据进行读取,使用checkpoint对offset进行记录
问题:
基于Zookeeper的Kafka监控工具不能获取offset的值了,需要在每次Batch处理后,可以对Zookeeper的值进行设置
"""
from pyspark import SparkContext
from pyspark import SparkConf
from pyspark.streaming import StreamingContext
from pyspark.streaming.kafka import KafkaUtils
def start():
sconf=SparkConf()
sconf.set('spark.cores.max' , 8)
sc=SparkContext(appName='KafkaDirectWordCount',conf=sconf)
ssc=StreamingContext(sc,2)
brokers="server1-2-5-24-138:9092,server1-3-5-24-139:9092,server1-4-5-24-140:9092"
topic='spark_streaming_test_topic'
kafkaStreams = KafkaUtils.createDirectStream(ssc,[topic],kafkaParams={"metadata.broker.list": brokers})
#统计生成的随机数的分布情况
result=kafkaStreams.map(lambda x:(x[0],1)).reduceByKey(lambda x, y: x + y)
#打印offset的情况,此处也可以写到Zookeeper中
#You can use transform() instead of foreachRDD() as your
# first method call in order to access offsets, then call further Spark methods.
kafkaStreams.transform(storeOffsetRanges).foreachRDD(printOffsetRanges)
result.pprint()
ssc.start() # Start the computation
ssc.awaitTermination() # Wait for the computation to terminate
offsetRanges = []
def storeOffsetRanges(rdd):
global offsetRanges
offsetRanges = rdd.offsetRanges()
return rdd
def printOffsetRanges(rdd):
for o in offsetRanges:
print "%s %s %s %s %s" % (o.topic, o.partition, o.fromOffset, o.untilOffset,o.untilOffset-o.fromOffset)
if __name__ == '__main__':
start()
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
调优总结
Spark streaming+Kafka的使用中,当数据量较小,很多时候默认配置和使用便能够满足情况,但是当数据量大的时候,就需要进行一定的调整和优化,而这种调整和优化本身也是不同的场景需要不同的配置。
- 合理的批处理时间(batchDuration):几乎所有的Spark Streaming调优文档都会提及批处理时间的调整,在StreamingContext初始化的时候,有一个参数便是批处理时间的设定。如果这个值设置的过短,即个batchDuration所产生的Job并不能在这期间完成处理,那么就会造成数据不断堆积,最终导致Spark Streaming发生阻塞。而且,一般对于batchDuration的设置不会小于500ms,因为过小会导致SparkStreaming频繁的提交作业,对整个streaming造成额外的负担。在平时的应用中,根据不同的应用场景和硬件配置,我设在1~10s之间,我们可以根据SparkStreaming的可视化监控界面,观察Total Delay来进行batchDuration的调整
- 合理的Kafka拉取量(maxRatePerPartition重要):对于Spark Streaming消费kafka中数据的应用场景,这个配置是非常关键的,配置参数为:spark.streaming.kafka.maxRatePerPartition。这个参数默认是没有上线的,即kafka当中有多少数据它就会直接全部拉出。而根据生产者写入Kafka的速率以及消费者本身处理数据的速度,同时这个参数需要结合上面的batchDuration,使得每个partition拉取在每个batchDuration期间拉取的数据能够顺利的处理完毕,做到尽可能高的吞吐量,而这个参数的调整可以参考可视化监控界面中的Input Rate和Processing Time
- 缓存反复使用的Dstream(RDD):Spark中的RDD和SparkStreaming中的Dstream,如果被反复的使用,最好利用cache,将该数据流缓存起来,防止过度的调度资源造成的网络开销。可以参考观察Scheduling Delay参数
- 设置合理的GC:长期使用Java的小伙伴都知道,JVM中的垃圾回收机制,可以让我们不过多的关注与内存的分配回收,更加专注于业务逻辑,JVM都会为我们搞定。对JVM有些了解的小伙伴应该知道,在Java虚拟机中,将内存分为了初生代(edengeneration)、年轻代young generation)、老年代(oldgeneration)以及永久代(permanentgeneration),其中每次GC都是需要耗费一定时间的,尤其是老年代的GC回收,需要对内存碎片进行整理,通常采用标记-清楚的做法。同样的在Spark程序中,JVMGC的频率和时间也是影响整个Spark效率的关键因素。在通常的使用中建议:–conf “spark.executor.extraJavaOptions=-XX:+UseConcMarkSweepGC”
- 设置合理的CPU资源数:CPU的core数量,每个executor可以占用一个或多个core,可以通过观察CPU的使用率变化来了解计算资源的使用情况,例如,很常见的一种浪费是一个executor占用了多个core,但是总的CPU使用率却不高(因为一个executor并不总能充分利用多核的能力),这个时候可以考虑让么个executor占用更少的core,同时worker下面增加更多的executor,或者一台host上面增加更多的worker来增加并行执行的executor的数量,从而增加CPU利用率。但是增加executor的时候需要考虑好内存消耗,因为一台机器的内存分配给越多的executor,每个executor的内存就越小,以致出现过多的数据spill over甚至out of memory的情况
- 设置合理的parallelism:partition和parallelism,partition指的就是数据分片的数量,每一次task只能处理一个partition的数据,这个值太小了会导致每片数据量太大,导致内存压力,或者诸多executor的计算能力无法利用充分;但是如果太大了则会导致分片太多,执行效率降低。在执行action类型操作的时候(比如各种reduce操作),partition的数量会选择parent RDD中最大的那一个。而parallelism则指的是在RDD进行reduce类操作的时候,默认返回数据的paritition数量(而在进行map类操作的时候,partition数量通常取自parent RDD中较大的一个,而且也不会涉及shuffle,因此这个parallelism的参数没有影响)。所以说,这两个概念密切相关,都是涉及到数据分片的,作用方式其实是统一的。通过spark.default.parallelism可以设置默认的分片数量,而很多RDD的操作都可以指定一个partition参数来显式控制具体的分片数量。 在SparkStreaming+kafka的使用中,我们采用了Direct连接方式,前文阐述过Spark中的partition和Kafka中的Partition是一一对应的,我们一般默认设置为Kafka中Partition的数量。
- 使用高性能的算子:(1)使用reduceByKey/aggregateByKey替代groupByKe(2)使用mapPartitions替代普通map(3) 使用foreachPartitions替代foreach(4) 使用filter之后进行coalesce操作5 使用repartitionAndSortWithinPartitions替代repartition与sort类操作
- 使用Kryo优化序列化性能
主要有三个地方涉及到了序列化- 在算子函数中使用到外部变量时,该变量会被序列化后进行网络传输(见“原则七:广播大变量”中的讲解)。
- 将自定义的类型作为RDD的泛型类型时(比如JavaRDD,Student是自定义类型),所有自定义类型对象,都会进行序列化。因此这种情况下,也要求自定义的类必须实现Serializable接口。
- 使用可序列化的持久化策略时(比如MEMORY_ONLY_SER),Spark会将RDD中的每个partition都序列化成一个大的字节数组。
对于这三种出现序列化的地方,我们都可以通过使用Kryo序列化类库,来优化序列化和反序列化的性能。Spark默认使用的是Java的序列化机制,也就是ObjectOutputStream/ObjectInputStream API来进行序列化和反序列化。但是Spark同时支持使用Kryo序列化库,Kryo序列化类库的性能比Java序列化类库的性能要高很多。官方介绍,Kryo序列化机制比Java序列化机制,性能高10倍左右。Spark之所以默认没有使用Kryo作为序列化类库,是因为Kryo要求最好要注册所有需要进行序列化的自定义类型,因此对于开发者来说,这种方式比较麻烦。
以下是使用Kryo的代码示例,我们只要设置序列化类,再注册要序列化的自定义类型即可(比如算子函数中使用到的外部变量类型、作为RDD泛型类型的自定义类型等):
// 创建SparkConf对象。 val conf = new SparkConf.setMaster(...).setAppName(...) //设置序列化器为KryoSerializer。
conf.set("spark.serializer","org.apache.spark.serializer.KryoSerializer") //注册要序列化的自定义类型。
conf.registerKryoClasses(Array(classOf[MyClass1], classOf[MyClass2]))