基于Python的Spark Streaming+Kafka编程实践

最新推荐文章于 2023-05-17 17:55:58 发布

weixin_34409822

最新推荐文章于 2023-05-17 17:55:58 发布

阅读量208

点赞数

文章标签：大数据 git python

原文链接：https://my.oschina.net/hblt147/blog/1596289

版权

2019独角兽企业重金招聘Python工程师标准>>>

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
  1. data_file=sc.textFile("hdfs://10.5.24.137:9990/temp/2016052512/tf_00000000")
  2. result=data_file.map(lambda x:x.split("\t")[0]).map(lambda x:(x,1)).reduceByKey(lambda x,y:x+y)
  3. 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
  1. data_file=sc.textFile("hdfs://10.5.24.137:9990/temp/2016052512/tf_00000000")
  2. #先算出全部的wordcount
  3. result=data_file.map(lambda x:x.split("\t")[0]).map(lambda x:(x,1)).reduceByKey(lambda x,y:x+y)
  4. topn=10
  5. #使用heapq.nlarges方法算出每个分区的topn,排序的key使用e[1]
  6. par_topk=result.mapPartitions(lambda elements:heapq.nlargest(topn,elements,key=lambda e:e[1]))
  7. #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]
  8. final_result=heapq.nlargest(topn,par_topk.collect(),key=lambda e:e[1])
  9. print final_result
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
  1. #对排序数组进行分组,分组的数量和数据量相关
  2. group_element=sorted_array.map(lambda e:(e/10,e)).sortByKey()
  3. #统计每个分组的元素个数
  4. group_element_count=sorted_array.map(lambda e:(e/10,1)).reduceByKey(lambda x,y:x+y).sortByKey()
  5. group_element_count_map=group_element_count.collectAsMap()
  6. #算出总的元素个数
  7. element_count=group_element_count.map(lambda (k,v):v).sum()
  9. temp=0
  10. index=0
  11. mid=0
  12. temp2=0
  13. if element_count%2!=0:
  14. mid=element_count/2+1
  15. else:
  16. mid=element_count/2
  17. pcount=group_element_count.count()
  18. for i in range(pcount):
  19. temp+=group_element_count_map[i]
  20. temp2=temp-group_element_count_map[i]
  21. if temp>=mid:
  22. #得到中位的index
  23. index=i
  24. break
  25. offset=mid-temp2
  26. result=group_element.filter(lambda (k,v):k==index).takeOrdered(offset)
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
  1. base_array=range(10000000)*4
  2. base_array.append(1883)
  3. odd_rdd=sc.parallelize(base_array)
  4. #异或函数
  5. odd_func=lambda x,y:x^y
  6. #对每个分区进行处理的函数
  7. def odd(chain):
  8. result=reduce(odd_func,chain)
  9. yield (1,result)
  10. par_rdd=odd_rdd.mapPartitions(odd).cache()
  11. par_result=par_rdd.collect()
  12. #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
  13. final_result=par_rdd.reduceByKey(lambda x,y:x^y).collect()[0][1]
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
  1. #存在数据倾斜的列表
  2. skew_list=[('a',random.randint(1,1000)) for i in range(1000000)]
  3. skew_list.append(('b',10))
  4. skew_list.append(('c',8))
  5. #正常的数据列表
  6. normal_list=[('a',9),('b',3),('c',8)]
  8. skew_rdd=sc.parallelize(skew_list)
  9. normal_rdd=sc.parallelize(normal_list)
  11. #进行倾斜处理
  12. #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
  13. skew_sample=skew_rdd.sample(False,0.3,9).groupByKey()
  14. skew_sample.cache()
  15. skew_sample_count_map=skew_sample.map(lambda (k,v):(len(v),k))
  16. skew_sample_count_map.cache()
  17. max_count=skew_sample_count_map.reduce(lambda x,y:max(x[0],y[0]))[0]
  18. max_count_key=skew_sample_count_map.filter(lambda x:x[0]==max_count).collect()[0][1]
  20. #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
  23. max_key_rdd=skew_rdd.filter(lambda x:x[0]==max_count_key)
  24. other_key_rdd=skew_rdd.filter(lambda x:x[0]!=max_count_key)
  25. result1=max_key_rdd.join(normal_rdd)
  26. result2=other_key_rdd.join(normal_rdd)
  27. print result1.union(result2).count()

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

这里写图片描述

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

这里写图片描述

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();
    }
}

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()

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()

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]))

转载于:https://my.oschina.net/hblt147/blog/1596289