(一)sparkstreaming参数理解
使用SparkStreaming集成kafka时有几个比较重要的参数:
(1)spark.streaming.stopGracefullyOnShutdown (true / false)默认fasle
确保在kill任务时,能够处理完最后一批数据,再关闭程序,不会发生强制kill导致数据处理中断,没处理完的数据丢失
(2)spark.streaming.backpressure.enabled (true / false) 默认false
开启后spark自动根据系统负载选择最优消费速率
(3)spark.streaming.backpressure.initialRate (整数) 默认直接读取所有
在(2)开启的情况下,限制第一次批处理应该消费的数据,因为程序冷启动队列里面有大量积压,防止第一次全部读取,造成系统阻塞
(4)spark.streaming.kafka.maxRatePerPartition (整数) 默认直接读取所有
限制每秒每个消费线程读取每个kafka分区最大的数据量
一个启动spark任务的python脚本:
import sys,os
print("start spark tasks")
os.environ["PYSPARK_PYTHON"]="/usr/lib/python3/bin/python"
os.system('/opt/spark/spark-2.1.3-bin-hadoop2.7/bin/spark-submit '
' --master local[*] '
' --total-executor-cores 100 '
' --conf "spark.streaming.backpressure.enabled=true" '
' --conf "spark.streaming.backpressure.initialRate=1000" '
' --conf "spark.executor.extraJavaOptions=-XX:+UseConcMarkSweepGC" '
' --conf "spark.streaming.backpressure.enabled=true" '
' --conf "spark.streaming.kafka.maxRatePerPartition=200000"'
' --jars /jars/spark-streaming-kafka-0-8-assembly_2.11-2.1.3.jar '
' --executor-memory 150G'
' /code/src/com/Mysql/main.py'
)
print("finish")
(二)测试问题记录
1.冷启动第一批数据划分过大,容易内存泄露从而程序异常退出
Extra为写入数据库的时间,configvalue为mysql日志产生时间,15分钟处理了将近2个小时间的数据。
参数:
sc=2s,其余参数置空为spark默认参数,从前5天的数据开始读取(kafka默认存储7天数据)。
我们将从kafka各个分区取得offset记录如表,可以观察到spark接kafka的数据只有个别分区才有,其他分区一直未0,这个是数据倾斜,问题在于maxwell生产者的向kafka只对个别分区抛数据时,稍后再说。我们先说冷启动,第一批数据量很大,后续很多任务在排队。
可以看到,冷启动,第一批数据量很大,后续很多任务在排队。
解决: