spark版本定制十八：Spark Streaming中空RDD处理及流处理程序优雅的停止

Posted 2020-07-19

本期内容：

1、Spark Streaming中RDD的空处理

2、StreamingContext程序的停止

一、Spark Streaming中RDD的空处理

案例代码：

 

Scala代码：

 

package com.dt.spark.sparkstreaming

import org.apache.spark.SparkConf
import org.apache.spark.streaming.{Seconds, StreamingContext}

/**

 * 使用Scala开发集群运行的Spark Streaming的foreachRDD把处理后的数据写入外部存储系统中

 *

 * 
 * 背景描述：在广告点击计费系统中，我们在线过滤掉黑名单的点击，进而保护广告商的利益，只进行有效的广告点击计费
 *               或者在防刷评分（或者流量）系统，过滤掉无效的投票或者评分或者流量；
 * 实现技术：使用transform Api直接基于RDD编程，进行join操作
 *
  */
object OnlineForeachRDD2DB {
    def main(args: Array[String]){

      val conf = new SparkConf() //创建SparkConf对象
      conf.setAppName("OnlineWordcount") //设置应用程序的名称，在程序运行的监控界面可以看到名称
      conf.setMaster("spark://Master:7077") //此时，程序在Spark集群
      /**
        * 设置batchDuration时间间隔来控制Job生成的频率并且创建Spark Streaming执行的入口
         */
      val ssc = new StreamingContext(conf, Seconds(300))
     
      val lines = ssc.socketTextStream("Master", 9999)

      val words = lines.flatMap(line => line.split(" "))

      val wordCounts = words.map(word => (word,1)).reduceByKey(_ + _)

      wordCounts.foreachRDD{ rdd =>

       /**
        * 例如：rdd为空，rdd为空会产生什么问题呢？
         *     rdd没有任何元素，但是也会做做foreachPartition，也会进行写数据库的操作或者把数据写到HDFS上，
         *         rdd里面没有任何记录，但是还会获取计算资源，然后计算一下，消耗计算资源，这个时候纯属浪费资源，
         *         所以必须对空rdd进行处理；
         *

        *         例如：使用rdd.count()>0，但是rdd.count()会触发一个Job；

         *             使用rdd.isEmpty()的时候，take也会触发Job；

         *             def isEmpty(): Boolean = withScope {

        *                   partitions.length == 0 || take(1).length == 0

        *             }

        *
        *              rdd.partitions.isEmpty里判断的是length是否等于0，就代表是否有partition
        *              def isEmpty: Boolean = { length == 0 }
        *
        *
        *             注：rdd.isEmpty()和rdd.partitions.isEmpty是两种概念；
         */

       rdd.partitions.isEmpty
    if(rdd.isEmpty()) {
        rdd.foreachPartition{ partitonOfRecord =>
          val connection = ConnectionPool.getConnection()
          partitonOfRecord.foreach(record => {
            val sql = "insert into streaming_itemcount(item,rcount) values(‘" + record._1 + "‘," + record._2 + ")"
            val stmt = connection.createStatement()
            stmt.executeUpdate(sql)
            stmt.close()
          })
          ConnectionPool.returnConnection(connection)
        }}
      }

 

     ssc.start()
      ssc.awaitTermination()
    }
}

 

二、StreamingContext程序的停止

第一种停止方式是不管接受到数据是否处理完成，直接被停止掉，第二种方式是接受到数据全部处理完成才停止掉，一般采用第二种方式。

 

第一种停止方式：

 

/**
 * Stop the execution of the streams immediately (does not wait for all received data
 * to be processed). By default, if `stopSparkContext` is not specified, the underlying
 * SparkContext will also be stopped. This implicit behavior can be configured using the
 * SparkConf configuration spark.streaming.stopSparkContextByDefault.
 *
 * 把streams的执行直接停止掉(并不会等待所有接受到的数据处理完成)，默认情况下SparkContext也会被停止掉，
 * 隐式的行为可以做配置，配置参数为spark.streaming.stopSparkContextByDefault。
 *
 * @param stopSparkContext If true, stops the associated SparkContext. The underlying SparkContext
 *                         will be stopped regardless of whether this StreamingContext has been
 *                         started.
 */
def stop(
         stopSparkContext: Boolean = conf.getBoolean("spark.streaming.stopSparkContextByDefault", true)
        ): Unit = synchronized {
 stop(stopSparkContext, false)

}

 

 

第二种停止方式：

 

/**
 * Stop the execution of the streams, with option of ensuring all received data
 * has been processed.
 *

 * 所有接受到的数据全部被处理完成，才把streams的执行停止掉

 *
 * @param stopSparkContext if true, stops the associated SparkContext. The underlying SparkContext
 *                         will be stopped regardless of whether this StreamingContext has been
 *                         started.
 * @param stopGracefully if true, stops gracefully by waiting for the processing of all
 *                       received data to be completed
 */
def stop(stopSparkContext: Boolean, stopGracefully: Boolean): Unit = {
 var shutdownHookRefToRemove: AnyRef = null
 if (AsynchronousListenerBus.withinListenerThread.value) {
  throw new SparkException("Cannot stop StreamingContext within listener thread of" +
   " AsynchronousListenerBus")
 }
 synchronized {
  try {
   state match {
    case INITIALIZED =>
     logWarning("StreamingContext has not been started yet")
    case STOPPED =>
     logWarning("StreamingContext has already been stopped")
    case ACTIVE =>
     scheduler.stop(stopGracefully)
     // Removing the streamingSource to de-register the metrics on stop()
     env.metricsSystem.removeSource(streamingSource)
     uiTab.foreach(_.detach())
     StreamingContext.setActiveContext(null)
     waiter.notifyStop()
     if (shutdownHookRef != null) {
      shutdownHookRefToRemove = shutdownHookRef
      shutdownHookRef = null
     }
     logInfo("StreamingContext stopped successfully")
   }
  } finally {
   // The state should always be Stopped after calling `stop()`, even if we haven‘t started yet
   state = STOPPED
  }
 }
 if (shutdownHookRefToRemove != null) {
  ShutdownHookManager.removeShutdownHook(shutdownHookRefToRemove)
 }
 // Even if we have already stopped, we still need to attempt to stop the SparkContext because
 // a user might stop(stopSparkContext = false) and then call stop(stopSparkContext = true).
 if (stopSparkContext) sc.stop()
}

 

特别感谢王家林老师的独具一格的讲解：

王家林老师名片：

中国Spark第一人

新浪微博：http://weibo.com/ilovepains

微信公众号：DT_Spark

博客：http://blog.sina.com.cn/ilovepains

QQ：1740415547

YY课堂：每天20:00现场授课频道68917580