一、Spark-StructuredStreaming checkpointLocation 介绍
Structured Streaming 在 Spark 2.0 版本于 2016 年引入, 是基于 Spark SQL 引擎构建的可扩展且容错的流处理引擎,对比传统的 Spark Streaming,由于复用了 Spark SQL 引擎,代码的写法和批处理 API (基于 Dataframe 和 Dataset API)一样,而且这些 API 非常的简单。
Structured Streaming 还支持使用 event time,通过设置 watermark 来处理延时到达的数据;而 Spark Streaming 只能基于 process time 做计算,显然是不够用的。
比如 .withWatermark("timestamp", "10 minutes")
表示用 DataFrame 里面的 timestamp
字段作为 event time,如果 event time 比 process time 落后超过 10 分钟,那么就不会处理这些数据。
Structured Streaming 默认情况下还是使用 micro batch 模式处理数据,不过从 Spark 2.3 开始提供了一种叫做 Continuous Processing 的模式,可以在至少一次语义下数据端到端只需 1ms 。
不过 Structured Streaming 的 Web UI 并没有和 Spark Streaming 一样的监控指标。
Checkpoint
目录的结构:
1、checkpointLocation 在源码调用链
分析源码查看 StructuredStreaming 启动流程发现,DataStreamWriter#start 方法启动一个 StreamingQuery。
同时将 checkpointLocation配置参数传递给StreamingQuery管理。
StreamingQuery 接口实现关系如下:
-
StreamingQueryWrapper 仅包装了一个不可序列化的StreamExecution
-
StreamExecution 管理Spark SQL查询的执行器
-
MicroBatchExecution 微批处理执行器
-
ContinuousExecution 连续处理(流式)执行器
因此我们仅需要分析 checkpointLocation 在 StreamExecution中调用即可。
备注:StreamExecution 中 protected def checkpointFile(name: String): String 方法为所有与 checkpointLocation 有关逻辑,返回 $checkpointFile/name 路径
2、MetadataLog(元数据日志接口)
spark 提供了org.apache.spark.sql.execution.streaming.MetadataLog接口用于统一处理元数据日志信息。
checkpointLocation 文件内容均使用 MetadataLog进行维护。
分析接口实现关系如下:
类作用说明:
-
NullMetadataLog 空日志,即不输出日志直接丢弃
-
HDFSMetadataLog 使用 HDFS 作为元数据日志输出
-
CommitLog 提交日志
-
OffsetSeqLog 偏移量日志
-
CompactibleFileStreamLog 封装了支持按大小合并、删除历史记录的 MetadataLog
-
StreamSourceLog 文件类型作为数据源时日志记录
-
FileStreamSinkLog 文件类型作为数据接收端时日志记录
-
EsSinkMetadataLog Es作为数据接收端时日志记录
分析 CompactibleFileStreamLog#compact 合并逻辑简单描述为:假设有 0,1,2,3,4,5,6,7,8,9,10 个批次以此到达,合并大小为3当前合并结果为 `0,1,2.compact,3,4`下一次合并结果为 `0,1,2.compact,3,4,5.compact` , **说明:5.compact 文件内容 = 2.compact + 3 + 4**last.compact 文件大小会随着批次运行无限增大...
分析 CompactibleFileStreamLog 删除过期文件逻辑:CompactibleFileStreamLog#add 方法被调用时,默认会判断是否支持删除操作 override def add(batchId: Long, logs: Array[T]): Boolean = { val batchAdded = if (isCompactionBatch(batchId, compactInterval)) { // 是否合并 compact(batchId, logs) } else { super.add(batchId, logs) } if (batchAdded && isDeletingExpiredLog) { // 添加成功且支持删除过期文件 // 删除时判断当前批次是否在 spark.sql.streaming.minBatchesToRetain 配置以外且在文件保留时间内 // 配置项参考 第4节 解决方案配置说明 deleteExpiredLog(batchId) } batchAdded }
3、 分析 checkpointLocation 目录内容
目前 checkpointLocation 内容主要包含以下几个目录
-
offsets
-
commits
-
metadata
-
sources
-
sinks
3.1 offsets 目录
记录每个批次中的偏移量。为了保证给定的批次始终包含相同的数据,在处理数据前将其写入此日志记录。
此日志中的第 N 条记录表示当前正在已处理,第 N-1 个条目指示哪些偏移已处理完成。
// StreamExecution 中val offsetLog = new OffsetSeqLog(sparkSession, checkpointFile("offsets"))
// 该日志示例内容如下,文件路径=checkpointLocation/offsets/560504v1{"batchWatermarkMs":0,"batchTimestampMs":1574315160001,"conf":{"spark.sql.streaming.stateStore.providerClass":"org.apache.spark.sql.execution.streaming.state.HDFSBackedStateStoreProvider","spark.sql.streaming.flatMapGroupsWithState.stateFormatVersion":"2","spark.sql.streaming.multipleWatermarkPolicy":"min","spark.sql.streaming.aggregation.stateFormatVersion":"2","spark.sql.shuffle.partitions":"200"}}{"game_dc_real_normal":{"17":279843310,"8":318732102,"11":290676804,"2":292352132,"5":337789356,"14":277147358,"13":334833752,"4":319279439,"16":314038811,"7":361740056,"1":281418138,"10":276872234,"9":244398684,"3":334708621,"12":290208334,"15":267180971,"6":296588360,"0":350011707}}
3.2 commitLog 目录
记录已完成的批次,重启任务检查完成的批次与 offsets 批次记录比对,确定接下来运行的批次
StreamExecution 中val commitLog = new CommitLog(sparkSession, checkpointFile("commits"))// 该日志示例内容如下,文件路径=checkpointLocation/commits/560504v1{"nextBatchWatermarkMs":0}
3.3 metadata 目录
metadata 与整个查询关联的元数据,目前仅保留当前job id
StreamExecution 中val offsetLog = new OffsetSeqLog(sparkSession, checkpointFile("offsets"))// 该日志示例内容如下,文件路径=checkpointLocation/metadata{"id":"5314beeb-6026-485b-947a-cb088a9c9bac"}
3.4 sources 目录
sources 目录为数据源(Source)时各个批次读取详情
3.5 sinks 目录
sinks 目录为数据接收端(Sink)时批次的写出详情
另外如果在任务中存在state计算时,还会存在state目录: 记录状态。当有状态操作时,如累加聚合、去重、最大最小等场景,这个目录会被用来记录这些状态数据。目录结构:checkpoint/state/xxx.delta、checkpoint/state/xxx.snapshot。新的.snapshot是老的.snapshot和.delta合并生成的文件。Structured Streaming会根据配置周期性地生成.snapshot文件用于记录状态。
二、Spark Structured Streaming 对接 Grafana 监控
Structured Streaming 有个 StreamingQueryListener
用于异步报告指标,这是一个官方示例:
val spark: SparkSession = ... spark.streams.addListener(new StreamingQueryListener() { override def onQueryStarted(queryStarted: QueryStartedEvent): Unit = { println("Query started: " + queryStarted.id) } override def onQueryTerminated(queryTerminated: QueryTerminatedEvent): Unit = { println("Query terminated: " + queryTerminated.id) } override def onQueryProgress(queryProgress: QueryProgressEvent): Unit = { println("Query made progress: " + queryProgress.progress) } })
StreamingQuery API含义:
转载请注明 作者:张永清 来源于博客园:https://www.cnblogs.com/laoqing/p/15588436.html
我们监控的话,主要是利用 onQueryProgress
方法来上报数据给监控系统。
import com.codahale.metrics.graphite.{Graphite, GraphiteReporter} import com.codahale.metrics.{Gauge, MetricFilter, MetricRegistry} import org.apache.spark.sql.streaming.StreamingQueryListener import java.net.InetSocketAddress import java.util.concurrent.TimeUnit class SparkStreamingGraphiteMetrics(prefix: String, graphiteHostName: String, graphitePort: Int) extends StreamingQueryListener { val metrics = new MetricRegistry() var inputRowsPerSecond = 0D var processedRowsPerSecond = 0D var numInputRows = 0D var triggerExecution = 0L var batchDuration = 0L var sourceEndOffset = 0L var sourceStartOffset = 0L override def onQueryStarted(event: StreamingQueryListener.QueryStartedEvent): Unit = { val graphite = new Graphite(new InetSocketAddress(graphiteHostName, graphitePort)) val reporter: GraphiteReporter = GraphiteReporter .forRegistry(metrics) .prefixedWith(s"spark_structured_streaming_${prefix}") // 指标名称前缀,便于在 Grafana 里面使用 .convertRatesTo(TimeUnit.SECONDS) .convertDurationsTo(TimeUnit.MILLISECONDS) .filter(MetricFilter.ALL) .build(graphite) reporter.start(30, TimeUnit.SECONDS) metrics.register(s"inputRowsPerSecond", new Gauge[Double] { override def getValue: Double = inputRowsPerSecond }) metrics.register(s"processedRowsPerSecond", new Gauge[Double] { override def getValue: Double = processedRowsPerSecond }) metrics.register("numInputRows", new Gauge[Double] { override def getValue: Double = numInputRows }) metrics.register("triggerExecution", new Gauge[Long] { override def getValue: Long = triggerExecution }) metrics.register("batchDuration", new Gauge[Long] { override def getValue: Long = batchDuration }) metrics.register("sourceEndOffset", new Gauge[Long] { override def getValue: Long = sourceEndOffset }) metrics.register("sourceStartOffset", new Gauge[Long] { override def getValue: Long = sourceStartOffset }) } override def onQueryProgress(event: StreamingQueryListener.QueryProgressEvent): Unit = { // 对各个指标进行赋值、上报 inputRowsPerSecond = event.progress.inputRowsPerSecond processedRowsPerSecond = event.progress.processedRowsPerSecond numInputRows = event.progress.numInputRows triggerExecution = event.progress.durationMs.getOrDefault("triggerExecution", 0L) batchDuration = event.progress.batchDuration event.progress.sources.foreach(source => { sourceEndOffset = source.endOffset.toLong sourceStartOffset = source.startOffset.toLong }) } override def onQueryTerminated(event: StreamingQueryListener.QueryTerminatedEvent): Unit = { println("onQueryTerminated") } }
在主程序里面添加监听:转载请注明 作者:张永清 来源于博客园:https://www.cnblogs.com/laoqing/p/15588436.html
spark.streams.addListener(xxxxxx)
需要启动 graphite_exporter,随便找一台服务器即可,有两个默认端口:
- 9109 用来上报数据,即 spark -> graphite_exporter
- 9108 是 Prometheus 从 graphite_exporter 拉去数据用的
还需要在 Prometheus 配置文件 prometheus.yml
里面配置读取数据
scrape_configs: - job_name: 'spark' static_configs: - targets: ['192.168.1.xx:9108']
最后启动 spark 程序之后,就可以在 Grafana 里面配置图表了。
配置 Grafana 图表
比如我设置的 prefix
是 click
,那么我们在 Grafana 里面的 Explore 模块可以选择 Prometheus 数据源,输入指标 spark_click_inputRowsPerSecond
,点击 Query 就可以获取读取速率这个指标了,如图:
三、基于StreamingQueryListener向Kafka提交Offset
我们可以在SparkStreamingGraphiteMetrics的基础上做向kafka提交offset。如下所示
转载请注明 作者:张永清 来源于博客园:https://www.cnblogs.com/laoqing/p/15588436.html
import com.fasterxml.jackson.databind.{DeserializationFeature, ObjectMapper} import com.fasterxml.jackson.module.scala.DefaultScalaModule import org.apache.kafka.clients.consumer.{KafkaConsumer, OffsetAndMetadata} import org.apache.kafka.common.TopicPartition import org.apache.spark.sql.streaming.StreamingQueryListener.QueryProgressEvent import java.util import java.util.Properties class KafkaOffsetCommiter(prefix: String, graphiteHostName: String, graphitePort: Int, kafkaProperties: Properties) extends SparkStreamingGraphiteMetrics(prefix: String, graphiteHostName: String, graphitePort: Int) { val kafkaConsumer = new KafkaConsumer[String, String](kafkaProperties) // 提交Offset override def onQueryProgress(event: QueryProgressEvent): Unit = { super.onQueryProgress(event) // 遍历所有Source event.progress.sources.foreach(source => { val objectMapper = new ObjectMapper() .configure(DeserializationFeature.FAIL_ON_UNKNOWN_PROPERTIES, false) .configure(DeserializationFeature.USE_LONG_FOR_INTS, true) .registerModule(DefaultScalaModule) val endOffset = objectMapper.readValue(source.endOffset, classOf[Map[String, Map[String, Long]]]) // 遍历Source中的每个Topic for ((topic, topicEndOffset) <- endOffset) { val topicPartitionsOffset = new util.HashMap[TopicPartition, OffsetAndMetadata]() //遍历Topic中的每个Partition for ((partition, offset) <- topicEndOffset) { val topicPartition = new TopicPartition(topic, partition.toInt) val offsetAndMetadata = new OffsetAndMetadata(offset) topicPartitionsOffset.put(topicPartition, offsetAndMetadata) } kafkaConsumer.commitSync(topicPartitionsOffset) } }) } }
转载请注明 作者:张永清 来源于博客园:https://www.cnblogs.com/laoqing/p/15588436.html