Spark 2.0 Structured Streaming 分

前言

Spark 2.0 将流式计算也统一到DataFrame里去了，提出了Structured Streaming的概念，将数据源映射为一张无线长度的表，同时将流式计算的结果映射为另外一张表，完全以结构化的方式去操作流式数据，复用了其对象的Catalyst引擎。

Spark 2.0 之前

作为Spark平台的流式实现，Spark Streaming 是有单独一套抽象和API的，大体如下

代码的形态如下：

val conf = new SparkConf().setMaster("local[2]").setAppName("NetworkWordCount")
//构建StreamingContext
val ssc = new StreamingContext(conf, Seconds(1))

//获取输入源
val lines = ssc.socketTextStream("localhost", 9999)

//逻辑计算
val wordCounts = lines.flatMap(_.split(" ")).
map(word => (word, 1)).
reduceByKey(_ + _)

wordCounts.print()

//启动流式计算
ssc.start()         
ssc.awaitTermination() 

上面都是套路,基本都得照着这么写。

Spark 2.0 时代

概念上，所谓流式，无非就是无限大的表，官方给出的图一目了然：

在之前的宣传PPT里，有类似的代码，给人焕然一新的感觉。当然，下面的代码你肯定要有上下文的，就这一句肯定跑不起来的。

第一个是标准的DataFrame的使用代码。下面第二个则是流式计算的代码，看完这个demo你肯定会纳闷：

1. 没有定时器么，我怎么设置duration?
2. 在哪里设置awaitTermination呢？
3. 如果我要写入到其他引擎，而其他引擎没有适配咋办？

这些疑问其实归结起来就是：

Structured Streaming 的完整套路是啥？

我们来看看代码(例子来源于Spark源码，我稍微做了些修改)：

val spark = SparkSession  .builder  .
master("local[2]")  .
appName("StructuredNetworkWordCount").
getOrCreate()


 val schemaExp = StructType(
      StructField("name", StringType, false) ::
        StructField("city", StringType, true)
        :: Nil
    )

//标准的DataSource API，只不过read变成了readStream
   val words = spark.readStream.format("json").schema(schemaExp)
      .load("file:///tmp/dir")

   // DataFrame 的一些API
    val wordCounts = words.groupBy("name").count()

    //标准的DataSource 写入 API，只不过write变成了writeStream
    val query = wordCounts.writeStream
//complete,append,update。目前只
//支持前面两种
      .outputMode("complete") 
//console,parquet,memory,foreach 四种
      .format("console")
      .trigger(ProcessingTime(5.seconds))//这里就是设置定时器了
      .start()

    query.awaitTermination()

这个就是Structured Streaming 的完整套路了。

Structured Streaming 目前Source源只支持File 和 Socket 两种。输出则是四种，前面已经提到。foreach则是可以无限扩展的。我举个例子：

val query = wordCounts.writeStream.trigger(ProcessingTime(5.seconds))
      .outputMode("complete")
      .foreach(new ForeachWriter[Row] {

      var fileWriter: FileWriter = _

      override def process(value: Row): Unit = {
        fileWriter.append(value.toSeq.mkString(","))
      }

      override def close(errorOrNull: Throwable): Unit = {
        fileWriter.close()
      }

      override def open(partitionId: Long, version: Long): Boolean = {
        FileUtils.forceMkdir(new File(s"/tmp/example/${partitionId}"))
        fileWriter = new FileWriter(new File(s"/tmp/example/${partitionId}/temp"))
        true
      }
    }).start()

我把数据最后写到各个节点的临时目录里。当然，这只是个例子，不过其他类似于写入Redis的，则是类似的。

Structured Streaming 不仅仅在于API的变化

如果Structured Streaming 仅仅是换个API,或者能够支持DataFrame操作，那么我只能感到遗憾了，因为2.0之前通过某些封装也能够很好的支持DataFrame的操作。那么 Structured Streaming 的意义到底何在？

• 重新抽象了流式计算
• 易于实现数据的exactly-once

我们知道，2.0之前的Spark Streaming 只能做到at-least once,框架层次很难帮你做到exactly-once,参考我以前写的文章Spark Streaming Crash 如何保证Exactly Once Semantics。 现在通过重新设计了流式计算框架，使得实现exactly-once 变得容易了。

可能你会注意到，在Structured Streaming 里，多出了outputMode,现在有complete,append,update 三种，现在的版本只实现了前面两种。

1. complete,每次计算完成后，你都能拿到全量的计算结果。
2. append,每次计算完成后，你能拿到增量的计算结果。

但是，这里有个但是，使用了聚合类函数才能用complete模式，只是简单的使用了map,filter等才能使用append模式。 不知道大家明白了这里的含义么？

complete 就是我们前面提到的mapWithState实现。 append 模式则是标准的对数据做解析处理，不做复杂聚合统计功能。

官方给出了complete 模式的图：

append 模式则是返回transform后最新的数据。

前面我们说到，现在的设计很简单，其实就是 无限大的 Source Table 映射到一张无限大的 Result Table上，每个周期完成后，都会更新Result Table。我们看到，Structured Streaming 已经接管了端到端了，可以通过内部机制保证数据的完整性，可靠性。

• offset 概念，流式计算一定有offset的概念。
• 对于无法回溯的数据源则采用了WAL日志
• state概念，对result table 的每个分区都进行状态包装，分区的的每个ADD,PUT,UPDATE，DELETE操作，都会写入到HDFS上，方便系统恢复。

其中第三点是只有在2.0才有的概念。不过比较遗憾的是，result table 和ForeachWriter 并没有什么结合，系统只是保证result table的完整性，通过HDFSBackedStateStoreProvider将result table 保存到HDFS。

以前的API就是给你个partition的iterator，你爱怎么玩怎么玩，但是到了现在，以ForeachWriter为例，

override def process(value: Row): Unit = {

数据你只能一条一条处理了。理论上如果假设正好在process的过程中，系统挂掉了，那么数据就会丢了，但因为 Structured Streaming 如果是complete模式，因为是全量数据，所以其实做好覆盖就行，也就说是幂等的。

如果是append 模式，则可能只能保证at-least once ,而对于其内部，也就是result table 是可以保证exactly-once 的。对于比如数据库，本身是可以支持事物的，可以在foreachWrite close的时候commit下，有任何失败的时候则在close的时候，rollback 就行。但是对于其他的，比如HBase,Redis 则较为困难。

另外在ForeachWriter提供的初始化函数，

override def open(partitionId: Long, version: Long): Boolean = {

返回值是Boolean,通过检测版本号，是否跳过这个分区的数据处理。返回true是为不跳过，否则为跳过。当你打开的时候，可以通过某种手段保存version,再系统恢复的时候，则可以读取该版本号，低于该版本的则返回false,当前的则继续处理。