Spark Structured Streaming实战

Posted 2020-12-10 zackstang

5. 实战Structured Streaming

5.1. Static版本

先读一份static 数据：

val static = spark.read.json("s3://tang-spark/data/activity-data/")

static.printSchema

root

 |-- Arrival_Time: long (nullable = true)

 |-- Creation_Time: long (nullable = true)

 |-- Device: string (nullable = true)

 |-- Index: long (nullable = true)

 |-- Model: string (nullable = true)

 |-- User: string (nullable = true)

 |-- gt: string (nullable = true)

 |-- x: double (nullable = true)

 |-- y: double (nullable = true)

 |-- z: double (nullable = true)

 

看一下部分内容：

 

5.2. Streaming 版本

下面我们使用同样的数据集创建一个streaming 版本，在流的情况下，它会一个接一个地读取每个输入文件。

Streaming DataFrames与static DataFrame基本一致，基本上，所有static DF中的transformation都可以应用在Streaming DF中。不过，一个小小的区别是：Structured Streaming并不允许我们执行schema 推断（inference），除非显式地启用此功能。可以通过设置spark.sql.streaming.schemaInference 为 true来开启schema inference。在这个例子中，我们会读取一个文件的schema（当然我们已知了这些文件具有有效的schema），并从static DF中pass一个dataSchema对象到streaming DF中。不过在实际中一般要避免这么做，因为数据可能是会改变的。

val dataSchema = static.schema

val streaming = spark.readStream.schema(dataSchema).option("maxFilesPerTrigger", 1).json("s3://tang-spark/data/activity-data")

 

（这里我们指定了maxFilesPerTrigger为1，仅是为了测试方便，让stream一次读一个文件，但是一般在生产环境中不会配置这么低。）

与其他Spark API 一样，streaming DataFrame 的创建以及执行是lazy的。现在我们可以为streaming DF指定一个transformation，最后调用一个action开始执行这个流。在这个例子中，我们会展示一个简单的transformation —— 根据字段gt，进行group 并 count：

val activityCounts = streaming.groupBy("gt").count()

 

若是使用的单机模式，也可以设置一个更小的spark.sql.shuffle.partitions 值（默认为200，Configures the number of partitions to use when shuffling data for joins or aggregations.），以避免创建过多的shuffle partitions：

spark.conf.set("spark.sql.shuffle.partitions", 5)

 

现在我们已经设置好了transformation，下一步仅需要指定一个action就可以开始执行query了。根据上文所述，我们还需要指定一个输出的destination，或是针对这个query结果的output sink。对于这个简单的例子，我们会使用memory sink，它会维护一个在内存中的一个table of the results。

在指定sink时，我们还需要定义Spark如何输出它的数据，在这个例子中，我们会使用complete 的输出模式。这个模式会在每次trigger后，重写所有的keys以及它们的counts值：

val activityQuery = activityCounts.writeStream.queryName("activity_counts").format("memory").outputMode("complete").start()

 

在我们运行上面的代码前，我们也要加上这条代码：

activityQuery.awaitTermination()

 

在这条代码开始运行后，streaming 计算将会在后台运行。而这个query object即是active streaming query 对应的handle，而我们必须使用activityQuery.awaitTermination() 等待query的结束，以防止driver进程在query仍是active时退出。在生产环境中必须要加上这条语句，否则stream无法执行。

 

开始执行：

[Stage 8:==========================>                             (94 + 4) / 200]

 

可以看到有 200 个task，因为使用的是默认的 spark.sql.shuffle.partitions 值。

 

可以使用 spark.streams.active 列出active的stream：

> spark.streams.active

res24: Array[org.apache.spark.sql.streaming.StreamingQuery] = Array(org.apache.spark.sql.execution.streaming.StreamingQueryWrapper@612c6083)

 

它也会为每个stream分配一个UUID，所以如果有必要的话，可以迭代这个list，并选出上面的那个流。不过在这个例子中，我们已经将这个流assign给一个变量了，所以没有必要。

现在这个流正在运行，我们可以通过query这个in-memory table来检查结果，这个表维护了当前streaming aggregation的输出。这个table将被称为 activity_counts，与流的名称一样。在检查当前output table 的输出时，仅需要query此表即可。我们会写一个循环，每秒打出这个streaming query 的结果：

for (i <- 1 to 5){

     spark.sql("select * from activity_counts").show()

     Thread.sleep(1000)

   }

 

结果类似于：

 

整体语句为：

val static = spark.read.json("s3://tang-spark/data/activity-data/")

 

val dataSchema = static.schema

val streaming = spark.readStream.schema(dataSchema).option("maxFilesPerTrigger", 1).json("s3://tang-spark/data/activity-data")

 

val activityCounts = streaming.groupBy("gt").count()

val activityQuery = activityCounts.writeStream.queryName("activity_counts").format("memory").outputMode("complete").start()

 

for (i <- 1 to 5){

     spark.sql("select * from activity_counts").show()

     Thread.sleep(1000)

   }

 

6. Streams 中的 Transformations

Streaming中的transformations 基本涵盖了static DF 中的 transformations，例如select、filter等简单的transformations。不过仍是有些限制，例如在Spark 2.2 版本中，用户无法sort一个没有aggregated的stream，并且在没有使用Stateful Processing时，无法执行多层的aggregation，等等。这些限制可能会随着版本更替有所解决，对此最好参考Spark的官方文档，查看更新情况。

 

6.1. Selections and Filtering

在Structured Streaming中，支持所有的select 与 filter。下面是一个简单的例子，由于我们并不会随着时间更新key，所以会使用Append output mode，将新数据append到输出表中：

import org.apache.spark.sql.functions.expr

val simpleTransform = streaming.withColumn("stairs", expr("gt like ‘%stairs%‘"))

  .where("stairs")

  .where("gt is not null")

  .select("gt", "model", "arrival_time", "creation_time")

  .writeStream

  .queryName("simple_transform")

  .format("memory")

  .outputMode("append")

  .start()

 

下面查询一下，先可以看看有哪些表：

 

然后查询 simple_transform 表：

spark.sql("select * from simple_transform").show()

 

6.2. Aggregations

Structured Streaming 对 aggregation操作的支持非常好。我们可以指定任意聚合操作。例如，我们可以使用一个比较有特点的聚合（例如Cube），在sensor的phone model 、activity、以及average x，y，z acceleration 字段上聚合Cube：

val deviceModelStats = streaming.cube("gt", "model").avg()

  .drop("avg(Arrival_time)")

  .drop("avg(Creation_Time)")

  .drop("avg(Index)")

  .writeStream.queryName("device_counts").format("memory").outputMode("complete")

  .start()

 

spark.sql("select * from device_counts").show()

 

相信大家已经发现了，这里queryName(“device_counts”) 也就是我们最后生成的表名。

 

6.3. Joins

在Spark 2.2 版本以后，Structured Streaming支持streaming DataFrames 与 static DataFrames进行join。Spark 2.3 会增加多个streams 的join 功能。

val historicalAgg = static.groupBy("gt", "model").avg()

val deviceModelStats = streaming.drop("Arrival_Time", "Creation_Time", "Index")

  .cube("gt", "model").avg()

  .join(historicalAgg, Seq("gt", "model"))

  .writeStream.queryName("device_counts_join").format("memory").outputMode("complete")

  .start()

 

spark.sql("select * from device_counts_join").show()

 

在Spark 2.2 中，full outer join、left join（stream在右）、right join（stream在左）暂不支持。Structured Streaming 也还没有支持stream-to-stream 的join，不过这个也是一个正在开发中的功能。

 

7. Input 与 Output

这节我们会深入讨论，在Structured Streaming 中，sources、sinks以及output modes 是如何工作的。特别地，我们会讨论数据流是怎样、何时、从哪，进入以及流出系统。

下面讨论的source 与 sink 都是端到端相同的情况一起讨论的，当然端到端也可以是不一样的（例如source 是kafka，sink 是file）

 

7.1. 数据在哪读写（Sources 与 Sinks）

Structured Streaming 支持多个production sources 与 sinks（files 以及Kafka），以及一些debug 工具（例如memory table sink）。我们之前已经介绍过这些，现在进一步讨论。

 

File Source 与 Sink

可能能想到的最简单的source就是file source，基本上我们能想到的所有文件类型都适用，如Parquet、text、JSON、CSV等。

在Spark static file source 与Structured Streaming file source 中，它们唯一的区别就是：在streaming 中，我们可以控制每次trigger中读入的文件数，通过maxFilesPerTriger选项即可。

需要注意的是，任何添加到Streaming input 目录中的文件，都必须是原子的。否则，在你写入完成前，Spark会partially 处理文件。在如本地文件系统或是HDFS这种允许partial write 文件系统中，最好是在外部文件夹写完文件后，再移动到 input 目录中。在Amazon S3 中，对象一般仅在fully writes 后才可被访问。

 

Kafka Source 与 Sink

Kafka 是一个分布式的publish-and-subscribe 系统，它可以像一个消息队列一样，让我们可以publish records 到流中。可以将Kafka 认作为一个分布式的buffer，它让我们在某个类别中（topic）存储流中的records。

 

读Kafka Source

在读kafka 时，需要选择一种选项：assign，subscribe，或是subscribePattern。在读Kafka时，只能选择其中一种选项。

• Assign ：是一种细粒度的配置模式，不仅需要指定topic，还需要指定你想要读的topic 的partitions。这个通过一个JSON string来配置，例如{“topicA”: [0, 1], “topicB”: [2, 4]}。
• Subscribe与SubscribePattern：是用于subscribe 一个或多个topics 的模式，可以指定一个list（subscribe），或是一个pattern（subscribePattern）

然后，我们还需要指定kafka.bootstrap.servers，除此之外，还有其他几个options需要指定：

• StartingOffsets 与 endingOffsets：query开始时的初始点，可以是earliest，也就是最开始的offsets；latest，也就是最新的offsets；或者是一个JSON string，为每个TopicPartition指定的初始offset。在JSON中，-2 作为offset可以用于指向earliest，-1指向latest。例如，一个JSON定义为 {"topicA":{"0":23,"1":-1},"topicB":{"0":-2}}。
• failOnDataLoss：如果有数据丢失（例如topics 被删除、或者offsets 超出范围），是否要fail掉query。默认是true，可以根据任务需求进行修改。
• maxOffsetsPerTrigger：对于给定的一个trigger，读入多少个offsets

当然，还有其他配置选项，如Kafka consumer timeouts，fetch retries，以及 intervals 等。

下面是一个例子：

// subscribe to 1 topic

val ds1 = spark.readStream.format("kafka")

  .option("kafka.bootstrap.servers", "b-1.tang-kafka-plain.hnjunx.c4.kafka.cn-north-1.amazonaws.com.cn:9092,b-2.tang-kafka-plain.hnjunx.c4.kafka.cn-north-1.amazonaws.com.cn:9092")

  .option("subscribe", "topic1")

  .load()

 

// subscribe to multiple topics

val ds1 = spark.readStream.format("kafka")

  .option("kafka.bootstrap.servers", "b-1.tang-kafka-plain.hnjunx.c4.kafka.cn-north-1.amazonaws.com.cn:9092,b-2.tang-kafka-plain.hnjunx.c4.kafka.cn-north-1.amazonaws.com.cn:9092")

  .option("subscribe", "topic1, topic2")

  .load()

 

// subscribe to a pattern of topics

val ds1 = spark.readStream.format("kafka")

  .option("kafka.bootstrap.servers", "b-1.tang-kafka-plain.hnjunx.c4.kafka.cn-north-1.amazonaws.com.cn:9092,b-2.tang-kafka-plain.hnjunx.c4.kafka.cn-north-1.amazonaws.com.cn:9092")

  .option("subscribePattern", "topic.*")

  .load()

 

这里若是弹出以下报错：

org.apache.spark.sql.AnalysisException: Failed to find data source: kafka. Please deploy the application as per the deployment section of "Structured Streaming + Kafka Integration Guide".

 

则根据Spark 官网添加jar 包：

spark-shell --packages org.apache.spark:spark-sql-kafka-0-10_2.11:2.4.5

或：

./bin/spark-submit --packages org.apache.spark:spark-sql-kafka-0-10_2.11:2.4.5 ...

 

在Kafka Source 中的每条row都会有以下schema：

• key: binary
• value: binary
• topic: string
• partition: int
• offset: long
• timestamp: long

 

在Kafka中的每条message都会以某种方式序列化。可以使用Spark原生的方法或是UDF将message 处理为一个更具结构化的形式，常见的模式有JSON或是Avro，去读写Kafka。

 

写Kafka Sink

写 Kafka Sink与读Kafka Sink 类似，仅有几个参数不一样。我们仍需要指定Kafka bootstrap servers，而其他需要提供的选项是topic以及列名，有两种方式提供，如下所示，下面两个写法是等价的：

// specify topic and columns together

ds1.selectExpr("topic", "CAST(key as STRING)", "CAST(value AS STRING)")

  .writeStream.format("kafka")

  .option("checkpointLocation", "/kafka/checkpoint/dir")

  .option("kafka.bootstrap.servers", "b-1.tang-kafka-plain.hnjunx.c4.kafka.cn-north-1.amazonaws.com.cn:9092,b-2.tang-kafka-plain.hnjunx.c4.kafka.cn-north-1.amazonaws.com.cn:9092")

  .start()

 

// specify column and topic seperately

ds1.selectExpr("CAST(key as STRING)", "CAST(value AS STRING)")

  .writeStream.format("kafka")

  .option("checkpointLocation", "/kafka/checkpoint/dir")

  .option("kafka.bootstrap.servers", "b-1.tang-kafka-plain.hnjunx.c4.kafka.cn-north-1.amazonaws.com.cn:9092,b-2.tang-kafka-plain.hnjunx.c4.kafka.cn-north-1.amazonaws.com.cn:9092")

  .option("topic", "topic1")

  .start()

 

foreach Sink

foreach sink 类似于Dataset API 中的 foreachPartitions。这个操作允许operations可以在per-partition 的基础下进行并行地计算。在使用foreach sink时，必须实现ForeachWriter 接口，可以在Scala/Java 文档中查看，它包含3个方法：open、process 和 close。在trigger触发了一组生成的rows后，会执行相对应的这三个方法。

总的来说，这个是一个自定义的方法，可以实现自己想要的业务逻辑。

 

针对测试的Sources与Sinks

这些主要用于做测试，一般不会在生产环境中使用，因为它们无法提供端到端的fault tolerance。

 

Socket source

通过TCP sockets发送的数据，指定host和port 来读数据，如：

val socketDF = spark.readStream.format("socket")

  .option("host", "localhost").option("port", 9999).load()

 

在客户端可以执行：

nc -lk 9999

 

Console sink

可以将输出吸入到console，支持append和complete的输出模式：

activityCounts.format("console").write()

 

Memory sink

类似于console sink，区别是会将数据collect到driver中，然后以in-memory table的形式提供交互式query：

activityCounts.writeStream.format("memory").queryName("my_device_table")

 

7.2. 数据如何输出（Output Modes）

在Structured Streaming 中，output modes的概念与static DF 中的一样。

 

Append Mode

Append mode 是默认的行为，也是最简单最容易理解的。在一个新row添加到result table时，它们会基于指定的trigger，输出到sink。在fault-tolerant sink的条件下，这个模式可以确保每行row仅输出一次（并且仅此一次）。当我们将append mode 与event-time 和watermarks 结合使用时，仅有最终的结果会输出到sink。

 

Complete Mode

Complete mode 会输出result table 的整个state到配置的output sink 中。在一些stateful 数据的场景下，例如所有的rows都会随时间改变，或是配置的sink 并不支持行级的updates 时，complete mode 非常有用。如果query 并不包含aggregation，则这个等同于 append mode

 

Update Mode

Update mode 类似于 complete mode，区别是：仅有与上一次不同的rows 会被写入到sink 中。不过，sink必须支持行级的 updates，才能支持这个模式。如果query 不包含任何 aggregation，则这个模式等同于 append mode。

 

什么场景选择各个mode？

Structured Streaming 对于每个output mode，都会结合query的信息进行限制。例如，假设我们的query仅是做一个map操作，那么Structured Streaming不会允许complete mode，因为这样会需要记录所有的输入records，并重写整个output table。下面是一些小手册，关于什么时候使用各个output mode。

 

什么时候数据输出（Triggers）

在控制什么时候将数据输出到sink时，我们会设置一个trigger。默认情况下，Structured Streaming会在上一个trigger完成处理后，启动数据。我们可以使用triggers来确保不会有太多的updates压垮output sink，或是控制output中的文件大小。当前，仅有一种定期触发的trigger类型，基于的是processing time；以及一次性的trigger，用于手动一次执行一个processing step。在未来会加入更多的triggers。

 

Processing Time Trigger

对于processing time trigger，我们仅需要指定一个string 类型的duration时间即可（或是在Scalat中的Duration 类型、Java中的TimeUnit类型），例如：

import org.apache.spark.sql.streaming.Trigger

activityCounts.writeStream

  .trigger(Trigger.ProcessingTime("100 seconds"))

  .format("memory")

  .outputMode("complete")

  .start()

 

ProcessingTime trigger 会等到给定duration的时间再输出数据。例如，假设给定的duration是1分钟，则trigger会在12:00，12:01，12:02 触发，依次类推。如果由于上一个处理没完成，导致了一个trigger time miss，则Spark会等到下一个trigger 点（也就是下一分钟），而不是在上一个处理完成后立即终止。

 

Once Trigger

我们也可以仅让一个streaming job 执行一次，指定once trigger即可。这个听起来有点奇怪，不过在开发与生产中，这个trigger都非常有用。对于开发，可以用于测试。而对于生产，Once trigger可以让我们以一个非常低频的方式执行任务（例如，向数据源导入数据是一个不确定的时间周期）。由于Structured Streaming 仍可以追溯所有已经处理过的文件，以及计算后的state，它比自身再写一个追溯batch job 的处理要简单地多，并且可以节省较多的资源（因为流程序定期运行的话，会一直消耗计算资源）。使用方式如下：

  import org.apache.spark.sql.streaming.Trigger

 

activityCounts.writeStream.trigger(Trigger.Once())

  .format("console")

  .outputMode("complete")

  .start()

 

8. Streaming Dataset API

最后一点需要提到的是，在Structured Streaming 中，不仅只限于对stream使用DataFrame API。还可以使用Datasets执行同样的计算，但是用的是type-safe 的方式。我们可以将一个streaming DataFrame转换为一个Dataset。