Note_Spark_Day12： StructuredStreaming入门

Posted 大数据Manor

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Note_Spark_Day12： StructuredStreaming入门相关的知识，希望对你有一定的参考价值。

stypora-copy-images-to: img
typora-root-url: ./

Spark Day12：Structured Streaming

image-20210506095958240

01-[了解]-上次课程内容回顾

​ 主要讲解SparkStreaming如何企业开发：集成Kafka、三大应用场景（实时增量ETL、状态累加统计、窗口分析统计）。

1、集成Kafka
	由于Kafka框架提供2套Consumer API，所以集成Kafka时，也提供2套API，但是推荐使用New Consumer API
		- KafkaConsumer
		- ConsumerRecord<Key, Value>，都是String类型
	http://spark.apache.org/docs/2.2.0/streaming-kafka-0-10-integration.html
		GAV：org.apache.spark:spark-streaming-kafka-0-10_2.11:2.4.5
	方法：
		val kafkaDStream: DStream[String, String] = KafkaUtils.createDirectStream
		直接从Kafka消费数据获取数据流中，每批次RDD是KafkaRDD
	原理：
		每批次BatchInterval时间间隔，依据偏移量范围到Kafka Topic中各个分区获取相应范围数据

image-20210506145535122

从Kafka消费数据时，属性设置："enable.auto.commit" -> (false: java.lang.Boolean)

Kafka New Consumer API，默认情况下，提供一种机制，从Kafka Topic消费数据以后，可以定时异步或同步将消费偏移量信息存储到：__consumer__offsets，当设置属性为false时，表示不需要提交保存偏移量

从Kafka消费数据时，不仅可以指定某个Topic获取或某些Topic，而且还有指定正则表达式，很方便消费多个Topic

image-20210506150255502

SparkStreaming流式计算模块，在实际项目中有3大应用场景：主要如下所示

2、实时增量ETL,【实际项目中，此种应用类型最多】
	实时将海量业务数据，进行实时ETL转换，存储到外部存储引擎，以便系统进行分析处理
		业务数据一产生发送到 Kafka Topic -> 流式应用程序：ETL转换 -> HBase/ES  
	使用2个函数：
    	transform转换函数，针对每批次RDD进行转换处理，返回还是RDD
    	foreachRDD输出函数，针对每批次RDD进行输出，返回值为Unit
   	输出函数模式：
   		dstream.forearchRDD((rdd, batchTime) => {
   			// 每批次RDD针对每个分区数据进行操作，适当考虑是否降低分区数目
   			rdd.coalease(1).forearchPartition{iter =>
   				// 从连接池中获取连接
   				val conn: Connection 
   				
   				// 将每个分区数据进行保存，考虑批量保存
   				iter.foreach{item =>
   				
   				}
   				
   				// 将连接放回连接池中
   				conn.release()
   			}
   		})

3、状态累加统计
	实时对数据进行聚合操作，并且状态属于累加统计的，比如双11大屏计算销售额
		updateStateByKey 函数
			依据Key更新状态的，需要定义状态更新函数，表示如何更新状态
			updateFunc：
				(values: Seq[V], state: Option[S]) => Option[S]
					values: 表示当前批次中Key对应的所有Value的值
					state：表示当前Key以前的状态，如果没有状态就是None
		mapWithState 函数
			依据Key更新状态，当Key存在时，才更新状态，否则不更新，性能远远由于updateStateByKey
			StateSpec对象
				StateSpec.function函数创建实例，传递map映射函数，针对每条数据进行状态更新处理
					(KeyType, Option[ValueType], State[StateType]) => MappedType
					Key类型		Value值数据类型       状态数据类型         返回数据类型
	保存以前状态State，所以设置Checkpoint检查的目录，存储State数据
		ssc.checkpoint("datas/streaming-ckpt-999999")
		

4、窗口分析统计
	描述需求：每隔多长时间，统计最近多久范围内数据情况（趋势统计）
		比如每隔1分钟统计最近20分钟内数据情况
	窗口统计：
		window size = 20 分钟
		slide size = 1 分钟
	分为2种类型窗口：
		当window size = slide size ： 滚动窗口，数据不会被重复处理
		当window sieze > slide size : 滑动窗口，数据会被重复处理
	函数：
    	window函数，设置窗口大小和滑动大小
    	将聚合函数和窗口函数合在一起：
    		reduceByKeyAndWindow
    			窗口大小和滑动大小，还需要设置聚合函数

02-[了解]-今日课程内容提纲

2个方面内容：偏移量管理（Checkpoint检查点）和StructuredStreaming入门（新的流式计算模块）

1、偏移量管理
	SparkStreaming从Kafka消费数据时，如何管理偏移量，实现实时流式应用容灾恢复
	方式一：
		Checkpoint检查点恢复偏移量，继续消费数据
	方式二：
		用户手动管理偏移量，进行存储和读取，续集消费数据
		推荐此种方式，相当来说比较麻烦，了解思路即可
【此部分内容，属于SparkStreaming模块处理流式数据一个不足之处，一大软点，使得用户不喜欢框架】


2、StructuredStreaming 快速入门
	数据结构：DataFrame/Dataset，流式数据集
	- 2.x提出结构化流模块处理流式数据
		SparkStreaming不足之处
		StructuredStreaming 设计原理和编程模型
	- 入门案例：词频统计WordCount
		实时累加统计
		代码就是SparkSQL词频统计代码（DSL和SQL）
	- 内置数据源，了解即可，几乎项目不用
	- StructuredStreaming应用程序基本设置

03-[理解]-偏移量管理之引例和概述

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-6wtQxLP6-1626354186973)(/img/image-20210506154426999.png)]

  • 方式一：Checkpoint 恢复

image-20210506154756236

  • 方式二：手动管理偏移量和加载状态

image-20210506154813079

程序中指定加载上一次状态信息，继续运行累加计算状态。

04-[理解]-偏移量管理之重构代码

​ 实际项目开发中，为了代码重构复用和代码简洁性，将【从数据源读取数据、实时处理及结果输出】封装到方法【processData】中，类的结构如下：

image-20210506155237200

Streaming流式应用模板完整代码：

package cn.itcast.spark.app.ckpt

import cn.itcast.spark.app.StreamingContextUtils
import org.apache.kafka.clients.consumer.ConsumerRecord
import org.apache.spark.SparkConf
import org.apache.spark.rdd.RDD
import org.apache.spark.streaming.dstream.DStream
import org.apache.spark.streaming.{Seconds, State, StateSpec, StreamingContext}

/**
 * 实时消费Kafka Topic数据，累加统计各个搜索词的搜索次数，实现百度搜索风云榜
 */
object _01StreamingTemplate {
	
	/**
	 * 抽象一个函数：专门从数据源读取流式数据，经过状态操作分析数据，最终将数据输出
	 * @param ssc 流式上下文StreamingContext实例对象
	 */
	def processData(ssc: StreamingContext): Unit = {
		// 1. 从Kafka消费数据，使用Kafka New Consumer API
		val kafkaDStream: DStream[ConsumerRecord[String, String]] = StreamingContextUtils
			.consumerKafka(ssc, "search-log-topic")
		
		// 2. 对每批次的数据进行搜索词进行次数统计
		val reduceDStream: DStream[(String, Int)] = kafkaDStream.transform{ rdd =>
			val reduceRDD: RDD[(String, Int)] = rdd
				// 过滤不合格的数据
				.filter{ record =>
					val message: String = record.value()
					null != message && message.trim.split(",").length == 4
				}
				// 提取搜索词，转换数据为二元组，表示每个搜索词出现一次
				.map{record =>
					val keyword: String = record.value().trim.split(",").last
					keyword -> 1
				}
				// 按照单词分组，聚合统计
				.reduceByKey((tmp, item) => tmp + item) // TODO: 先聚合，再更新，优化
			// 返回
			reduceRDD
		}
		
		// 3、实时累加统计搜索词搜索次数，使用mapWithState函数
		/*
		  def mapWithState[StateType: ClassTag, MappedType: ClassTag](
		      spec: StateSpec[K, V, StateType, MappedType]
		    ): MapWithStateDStream[K, V, StateType, MappedType]
		 */
		// 状态更新函数，针对每条数据进行更新状态
		val spec: StateSpec[String, Int, Int, (String, Int)] = StateSpec.function(
			// mappingFunction: (KeyType, Option[ValueType], State[StateType]) => MappedType
			(keyword: String, countOption: Option[Int], state: State[Int]) => {
				// a. 获取当前批次中搜索词搜索次数
				val currentState: Int = countOption.getOrElse(0)
				// b. 从以前状态中获取搜索词搜索次数
				val previousState = state.getOption().getOrElse(0)
				// c. 搜索词总的搜索次数
				val latestState = currentState + previousState
				// d. 更行状态
				state.update(latestState)
				// e. 返回最新搜索次数
				(keyword, latestState)
			}
		)
		// 调用mapWithState函数进行实时累加状态统计
		val stateDStream: DStream[(String, Int)] = reduceDStream.mapWithState(spec)
		
		// 5. 将结果数据输出 -> 将每批次的数据处理以后输出
		stateDStream.print()
	}
	
	def main(args: Array[String]): Unit = {
		// 1. 获取StreamingContext实例对象
		/*
		  def getActiveOrCreate(
		      checkpointPath: String, // 检查点目录
		      creatingFunc: () => StreamingContext,
		      hadoopConf: Configuration = SparkHadoopUtil.get.conf,
		      createOnError: Boolean = false
		    ): StreamingContext
		 */
		val ssc: StreamingContext = {
			// a. 创建SparkConf对象，设置应用配置信息
			val sparkConf = new SparkConf()
				.setAppName(this.getClass.getSimpleName.stripSuffix("$"))
				.setMaster("local[3]")
				// TODO: 设置消费最大数量
				/*
					每秒钟消费每个分区数据最大量：1W
						topic: 3个分区，batchInterval：5s
					问：每批次数据消费最大量是多少？
						1w * 3 * 5 = 15W
				 */
				.set("spark.streaming.kafka.maxRatePerPartition", "10000")
			// b. 传递SparkConf和BatchInterval创建流式上下对象
			val context = new StreamingContext(sparkConf, Seconds(5))
			// c. 返回实例对象
			context
		}
		// TODO: 设置检查点目录
		ssc.checkpoint("datas/streaming/state-8888")
		
		// TODO：实时处理流式数据
		processData(ssc)
		
		// TODO: 启动流式应用，等待终止（人为或程序异常）
		ssc.start()
		ssc.awaitTermination() // 流式应用启动以后，一直等待终止，否则一直运行
		// 无论是否异常最终关闭流式应用（优雅的关闭）
		ssc.stop(stopSparkContext = true, stopGracefully = true)
	}
	
}

扩展知识点：Scala语言中设计模式【贷出模式】

  • 贷出函数：管理资源【获取资源和关闭资源】
  • 用户函数：业务逻辑实现地方
  • MAIN方法，调用贷出函数，将用户函数传递给贷出函数

05-[理解]-偏移量管理之Checkpoint编码实现

针对Spark Streaming状态应用程序，设置Checkpoint检查点目录，其中存储两种类型数据：

image-20210506160354537

Metadata Checkpointing 用来恢复 Driver；Data Checkpointing用来容错stateful的数据处理失败的场景 。

​ 当我们再次运行Streaming Application时，只要从Checkpoint 检查点目录恢复，构建StreamingContext应用，就可以继续从上次消费偏移量消费数据。

image-20210506160549555

使用StreamingContext中【getActiveOrCreate】方法构建StreamingContext实例对象，方法声明如下：

image-20210506160808441

若Application为首次重启，将创建一个新的StreamingContext实例；如果Application从失败中重启，从checkpoint目录导入checkpoint数据来重新创建StreamingContext实例。

image-20210506161045918

修改上述案例代码：

package cn.itcast.spark.app.ckpt

import cn.itcast.spark.app.StreamingContextUtils
import org.apache.kafka.clients.consumer.ConsumerRecord
import org.apache.spark.SparkConf
import org.apache.spark.rdd.RDD
import org.apache.spark.streaming.dstream.DStream
import org.apache.spark.streaming.{Seconds, State, StateSpec, StreamingContext}

/**
 * 实时消费Kafka Topic数据，累加统计各个搜索词的搜索次数，实现百度搜索风云榜
 */
object _02StreamingStateCkpt {
	
	/**
	 * 抽象一个函数：专门从数据源读取流式数据，经过状态操作分析数据，最终将数据输出
	 * @param ssc 流式上下文StreamingContext实例对象
	 */
	def processData(ssc: StreamingContext): Unit = {
		// 1. 从Kafka消费数据，使用Kafka New Consumer API
		val kafkaDStream: DStream[ConsumerRecord[String, String]] = StreamingContextUtils
			.consumerKafka(ssc, "search-log-topic")
		
		// 2. 对每批次的数据进行搜索词进行次数统计
		val reduceDStream: DStream[(String, Int)] = kafkaDStream.transform{ rdd =>
			val reduceRDD: RDD[(String, Int)] = rdd
				// 过滤不合格的数据
				.filter{ record =>
					val message: String = record.value()
					null != message && message.trim.split(",").length == 4
				}
				// 提取搜索词，转换数据为二元组，表示每个搜索词出现一次
				.map{record =>
					val keyword: String = record.value().trim.split(",").last
					keyword -> 1
				}
				// 按照单词分组，聚合统计
				.reduceByKey((tmp, item) => tmp + item) // TODO: 先聚合，再更新，优化
			// 返回
			reduceRDD
		}
		
		// 3、实时累加统计搜索词搜索次数，使用mapWithState函数
		/*
		  def mapWithState[StateType: ClassTag, MappedType: ClassTag](
		      spec: StateSpec[K, V, StateType, MappedType]
		    ): MapWithStateDStream[K, V, StateType, MappedType]
		 */
		// 状态更新函数，针对每条数据进行更新状态
		val spec: StateSpec[String, Int, Int, (String, Int)] = StateSpec.function(
			// mappingFunction: (KeyType, Option[ValueType], State[StateType]) => MappedType
			(keyword: String, countOption: Option[Int], state: State[Int]) => {
				// a. 获取当前批次中搜索词搜索次数
				val currentState: Int = countOption.getOrElse(0)
				// b. 从以前状态中获取搜索词搜索次数
				val previousState = state.getOption().getOrElse(0)
				// c. 搜索词总的搜索次数
				val latestState = currentState + previousState
				// d. 更行状态
				state.update(latestState)
				// e. 返回最新搜索次数
				(keyword, latestState)
			}
		)
		// 表示，在启动应用时，可以初始化状态，比如从Redis中读取状态数据，转换为RDD，进行赋值初始化操作
		/*
		 def initialState(rdd: RDD[(KeyType, StateType)]): this.type
		 */
		//spec.initialState()
		
		// 调用mapWithState函数进行实时累加状态统计
		val stateDStream: DStream[(String, Int)] = reduceDStream
			.mapWithState(spec)
			.filter(tuple => tuple._2 >= 10)
		
		// 5. 将结果数据输出 -> 将每批次的数据处理以后输出
		stateDStream.print()
	}
	
	
	def main(args: Array[String]): Unit = {
		//TODO： 检查点目录
		val CKPT_DIR: String = "datas/streaming/state-1000"
		
		// 1. 获取StreamingContext实例对象
		/*
		  def getActiveOrCreate(
		      checkpointPath: String, // 检查点目录
		      creatingFunc: () => StreamingContext,
		      hadoopConf: Configuration = SparkHadoopUtil.get.conf,
		      createOnError: Boolean = false
		    ): StreamingContext
		 */
		val ssc: StreamingContext = StreamingContext.getActiveOrCreate(
			CKPT_DIR, // 如果目录存在，从Checkpoint数据恢复构建StreamingContext对象，包括DStream创建、转换和输出
			// 匿名函数，函数参数没有，返回值要求：StreamingContext对象
			() => { // CKPT不存在时，调用此函数构建StreamingContext对象，读取数据，转换和输出
				// a. 创建SparkConf对象，设置应用配置信息
				val sparkConf = new SparkConf()
					.setAppName(this.getClass.getSimpleName.stripSuffix("$"))
					.setMaster("local[3]")
					// 设置消费最大数量
					.set("spark.streaming.kafka.maxRatePerPartition", "10000")
				// b. 传递SparkConf和BatchInterval创建流式上下对象
				val context = new StreamingContext(sparkConf, Seconds(5))
				// c. TODO： 处理数据
				processData(context)
				// d. 返回流式上下文对象
				context
			}
		)
		
		// TODO: 设置检查点目录
		ssc.checkpoint(CKPT_DIR)
		
		// TODO: 启动流式应用，等待终止（人为或程序异常）
		ssc.start()
		ssc.awaitTermination() // 流式应用启动以后，一直等待终止，否则一直运行
		// 无论是否异常最终关闭流式应用（优雅的关闭）
		ssc.stop(stopSparkContext = true, stopGracefully = true)
	}
}

​ 当Streaming Application再次运行时，从Checkpoint检查点目录恢复时，有时有问题，比如修改程序，再次从运行时，可能出现类型转换异常，如下所示：

image-20210506162150441

原因在于修改DStream转换操作，在检查点目录中存储的数据没有此类的相关代码，ClassCastException异常。

此时无法从检查点读取偏移量信息和转态信息，所以SparkStreaming中Checkpoint功能，属于鸡肋，食之无味，弃之可惜。

06-[理解]-偏移量管理之手动管理偏移量和状态思路

SparkStreaming中Checkpoint功能，属于鸡肋，食之无味，弃之可惜。

  • 解决问题一：状态State，针对实数累计统计来说，再次运行流式应用，获取上次状态
  • 解决问题二：偏移量，从Kafka消费数据位置，再次运行应用时，继续上次消费位置消费数据

解决方案：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-WBJj1lCY-1626354186980)(/img/image-20210506164820304.png)]

当运行流式应用程序时，首先从状态存储系统获取状态数据，进行状态初始化操作。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-GwzyGO7b-1626354186981)(/img/image-20210506164851608.png)]

保存每批次数据偏移量信息到存储系统中，比如mysql表、Zookeeper节点等，当再次运行流式应用时，从保存系统加载偏移量消息，继续消费数据。

image-20210506165038189

考虑第一个问题：状态恢复如何完成呢？？？从存储状态系统加载状态State，进行初始化操作。

image-20210506165433772

07-[理解]-偏移量管理之MySQL存储偏移量

此处将偏移量数据存储到MySQL表中，数据库及表的DDL和DML语句如下：

-- 1. 创建数据库的语句
CREATE DATABASE IF NOT EXISTS db_spark DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci;
USE db_spark ;

-- 2. 创建表的语句
CREATE TABLE `tb_offset` (
`topic` varchar(255) NOT NULL,
`partition` int NOT NULL,
`groupid` varchar(255) NOT NULL,
`offset` bigint NOT NULL,
PRIMARY KEY (`topic`,`partition`,`groupid`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci ;

-- 3. 插入数据语句replace
replace into tb_offset (`topic`, `partition`, `groupid`, `offset`) values(?, ?, ?, ?)
--/*
--
replace语句执行时，分以下两种情况：
--
- 情况1：insert，当不存或唯一索引冲突，相当于insert操作
--
- 情况2：delete and insert，当存在主键冲突或唯一索引冲突，相当于delete操作，加insert操作
--*/

-- 4. 查询数据语句select
select * from tb_offset where topic in ('xx', 'yy') AND groupid = 'gid001' ;
select * from tb_offset where topic in (?) and groupid = ? ;

image-20210506170036587

​ 工具类OffsetsUtils从MySQL数据库表中读取消费的偏移量信息和保存最近消费的偏移量值，示意图如下所示：

image-20210506170102219

​ 工 具 类 中 包 含 如 何 保 存 偏 移 量 【 saveOffsetsToTable 】 和 读 取 偏 移 量【getOffsetsToMap】两个函数，具体代码如下：

package cn.itcast.spark.app.offset

import java.sql.{Connection, DriverManager, PreparedStatement, ResultSet}

import org.apache.kafka.common.TopicPartition
import org.apache.spark.streaming.kafka010.OffsetRange

import scala.collection.mutable

/**
 * 将消费Kafka Topic偏移量数据存储MySQL数据库，工具类用于读取和保存偏移量数据
 */
object OffsetsUtils {

	/**
	 * 依据Topic名称和消费组GroupId获取各个分区的偏移量
	 *
	 *@param topicNames Topics名称
	 *@param groupId 消费组ID
	 **/
	def getOffsetsToMap(topicNames: Array[String], groupId: String): Map[TopicPartition, Long] ={
		// 构建集合
		val map: mutable.Map[TopicPartition, Long] = scala.collection.mutable.Map[TopicPartition, Long]()
		// 声明变量
		var conn: Connection = null
		var pstmt: PreparedStatement = null
		var result: ResultSet = null
		try{
			// a. 加载驱动类
			Class.forName("com.mysql.cj.jdbc.Driver")
			// b. 获取连接
			conn = DriverManager.getConnection(
				"jdbc:mysql://node1.itcast.cn:3306/?serverTimezone=UTC&characterEncoding=utf8&useUnicode=true", //
				"root", //
				"123456" //
			)
			// c. 编写SQL，获取PreparedStatement对象
			// Array("1-topic", "2-topic") ->  topic in ("1-topic", "2-topic")
			val topicNamesStr = topicNames.map(topicName => s"\\'$topicName\\'").mkString(", ")
			val querySQL =
				s"""
				   |SELECT
				   |  `topic`, `partition`, `groupid`, `offset`
				   |FROM
				   |  db_spark.tb_offset
				   |WHERE
				   |  groupid = ? AND topic in ($topicNamesStr)
				   |""".stripMargin
			pstmt = conn.prepareStatement(querySQL)
			pstmt.setString(1, groupId)
			// d. 查询数据
			result = pstmt.executeQuery()
			// e. 遍历获取值
			while (result.next()){
				val topicName = result.getString("topic")
				val partitionId = result.getInt("partition")
				val offset = result.getLong("offset")
				// 加入集合中
				map += new TopicPartition(topicName, partitionId) -> offset
			}
		}catch {
			case e: Exception => e.printStackTrace()
		}finally {
			if(null != result) result.close()
			if(null != pstmt) pstmt.close()
			if(null != conn) conn.close()
		}
		// 返回集合，转换为不可变的
		map.toMap
	}
	
	/**
	 * 保存Streaming每次消费Kafka数据后最新偏移量到MySQL表中
	 *
	 * @param offsetRanges Topic中各个分区消费偏移量范围
	 * @param groupId 消费组ID
	 */
	def saveOffsetsToTable(offsetRanges: Array[OffsetRange], groupId: String): Unit = {
		// 声明变量
		var conn: Connection = null
		var pstmt: PreparedStatement = null
		try{
			// a. 加载驱动类
			Class.forName("com.mysql.cj.jdbc.Driver")
			// b. 获取连接
			conn = DriverManager.getConnection(
				"jdbc:mysql://node1.itcast.cn:3306/?serverTimezone=UTC&characterEncoding=utf8&useUnicode=true", //
				"root", //
				"123456" //
			)
			// c. 编写SQL，获取PreparedStatement对象
			val insertSQL = "replace into db_spark.tb_offset (`topic`, `partition`, `groupid`, `offset`) values (?, ?, ?, ?)"
			pstmt = conn.prepareStatement(insertSQL)
			// d. 设置参数
			offsetRanges.foreach{offsetRange =>
				println(offsetRange.toString())
				pstmt.setString(1, offsetRange.topic)
				pstmt.setInt(2, offsetRange.partition)
				pstmt.setString(3, groupId)
				pstmt.setLong(4, offsetRange.untilOffset)
				// 加入批次
				pstmt.addBatch(以上是关于Note_Spark_Day12： StructuredStreaming入门的主要内容，如果未能解决你的问题，请参考以下文章
 

 Note_Spark_Day13：Structured Streaming


 Note_Spark_Day11：Spark Streaming


 Note_Spark_Day14：Structured Streaming


 Note_Spark_Day09：离线综合实战


 Note_Spark_Day01：Spark 基础环境


 转换time.structu时间对象转换为日期时间。日期时间对象：