从 google pubsub 到 spark 流的数据摄取速度很慢

Posted 2023-02-16

【中文标题】从 google pubsub 到 spark 流的数据摄取速度很慢

【英文标题】：Data ingestion from google pubsub to spark streaming is slow

【发布时间】：2019-11-30 09:36:36

【问题描述】：

我正在使用谷歌云 Dataproc Spark 集群来运行 Spark 流式传输作业，该作业从多个 PubSub 订阅中读取数据并写入 BigQuery。 PubSub 有 500 万个元素，滑动窗口为 2 分钟，批次/窗口为 30 秒，我每批次仅获得大约 200,000 个元素。我希望在第一批中获得全部 500 万。每个元素的大小约为 140 字节，采用 Avro 消息格式。

我在 Dataflow 中实现了每秒 100 万个元素的速度，但我想对 Dataproc 做同样的事情。我尝试了 Dataproc 的自动缩放选项，还尝试了与 Dataflow 相同的 Beam 管道代码。如果我增加订阅数量，那么它可能会给我更多的吞吐量。是否有可能从单个订阅中获得 1M 元素/秒的吞吐量？

以下是我的 Scala 代码：

// Reading from multiple PubSub.
for (a <- 0 to Integer.parseInt(subs)) 
  logger.info("SKCHECK : Creating stream : " + subscription + a)
  val everysub  = PubsubUtils.createStream(
      ssc, projectId, None, subscription + a,
      SparkGCPCredentials.builder.jsonServiceAccount(jsonPath).build(),
      StorageLevel.MEMORY_ONLY_SER).map(message => 
          // Method to send avro bytes message and get row
          val row : Row = avroMsgToRow(message.getData())
          row
      )

我的build.sbt 看起来像：

    libraryDependencies ++= Seq(
      "org.apache.spark" %% "spark-core" % sparkVersion,
      "org.apache.spark" %% "spark-sql" % sparkVersion,
     // "org.apache.spark" %% "spark-mllib" % sparkVersion,
      "org.apache.spark" %% "spark-streaming" % sparkVersion,
     // "org.apache.spark" %% "spark-hive" % sparkVersion,
      "com.google.cloud" % "google-cloud-bigquery" % bigQueryVersion,
      "com.google.apis" % "google-api-services-bigquery" % googleApiBigQueryVersion,
      "com.google.cloud" % "google-cloud-nio" % gcsNioVersion,
      "com.sksamuel.avro4s" %% "avro4s-core" % avro4sVersion
    )

    // https://mvnrepository.com/artifact/com.google.cloud.bigdataoss/bigquery-connector
    libraryDependencies += "com.google.cloud.bigdataoss" % "bigquery-connector" % "0.10.0-hadoop2"

    // https://mvnrepository.com/artifact/com.spotify/spark-bigquery
    libraryDependencies += "com.spotify" %% "spark-bigquery" % "0.2.2"

    libraryDependencies += "com.google.apis" % "google-api-services-pubsub" % "v1-rev425-1.25.0"

    // https://mvnrepository.com/artifact/org.apache.bahir/spark-streaming-pubsub
    libraryDependencies += "org.apache.bahir" %% "spark-streaming-pubsub" % "2.3.0"


    // https://mvnrepository.com/artifact/org.scala-lang/scala-library
    libraryDependencies += "org.scala-lang" % "scala-library" % "2.10.0-M3"

    // https://mvnrepository.com/artifact/org.apache.spark/spark-avro
    libraryDependencies += "org.apache.spark" %% "spark-avro" % "2.4.0"

如果您需要更多信息，请告诉我。

我希望通过单个 PubSub 订阅获得每秒 100 万个元素的数据摄取速度。

【问题讨论】：

面临与 bahir 库相同的问题。你能确定问题吗？

【参考方案1】：

我认为您需要首先确定 Spark Streaming 作业的瓶颈。是 CPU 限制、内存限制、IO 限制还是因为 Spark 的某些参数导致它没有充分利用资源？我建议您先检查资源利用率，然后尝试不同的machine types。

【讨论】：

喜欢方向，但为什么不从检查资源利用率开始呢？