在SparkStreaming任务运行的过程中，由于数据流量或者网络的抖动，任务的batch很可能出现delay，所以就出现了一个需求：实时监控任务对kafka消息的消费，及时了解堆积情况。
这个需求应该有很多种解决方案，我这边提供的思路是基于Spark Metrics System的。SparkStreaming任务在运行过程中，会产生很多Metrics信息，不断地推送到Sink上面，我们这里使用到的是MetricsServlet。
打开Spark UI，我们能够很方便地通过RestAPI方式请求任务Metrics信息，接口如下：
返回的Metrics信息如下：
-
Metrics_json.png
这里应用的方案就是在这些Metrics里面添加一个新Metrics，这个Metrics应该能够向监控应用程序提供任务batch对records的消费情况。
我们知道，SparkStreaming应用消费Kafka数据有两种API：Reciever模式和Direct模式。所以针对使用的不同的API，需要提供不同的Metrics信息，其格式可以如下设置：
- Reciever-Metrics
kafka.consumer.$zkQuorum.$topic.$groupId - Direcct-Metrics: kafka.direct.$kafkaBrokerList.$topic.lastCompletedBatch_sumOffsets
注意其中带“$”号 的为变量，需要根据实际情况赋值的，其它为常量字符串。
上面两个Metrics我们使用registerGauge方法分别向MetricsSystem注册就可以了。
根据上面Metrics的信息可以解读到，对于Reciever-Metrics，只向监控应用提供Kafka集群的连接信息，包括ZK，topics和groupId，注意对于多个topic的情况，要注册多个Metrics，然后需要监控应用自己调kafka的API去获取该consumer的offset和logsize，从而计算出堆积量；而对于Direcct-Metrics，需要Spark计算出每个batch消费的最新offset之和（实际上是计算消费的每个topic下所有partition的最新offset之和）。
针对具体使用来说，首先根据应用创建DStream时传递给API的参数获取到
1）对Reciever模式：zookeeper.connect，group.id，topics；
2）对Direcct模式：metadata.broker.list或者bootstrap.servers，topics；
等信息，并将信息配置在StreamingContext新建的结构里面（以便于StreamingSource获取）。
这样对于Reciever-Metrics来说，使用获取的信息构造对应的Metrics并注册，就可以了，对于value设置为0；对于Direcct-Metrics来说，需要在DirectKafkaInputDStream里面每一次compute计算时，将offsetRanges里面的元数据计算后推送到StreamingJobProgressListener里面（其中配置一个topic->sumOffsets的HashMap结构即可，每次compute向里面更新最新的计算结果）。最后在StreamingSource中registerGauge时根据topic就可以获取到sumOffset。
实现下来需要修改的Spark源码文件可能包括：
1）StreamingJobProgressListener.scala
2）DirectKafkaInputDStream.scala
3）KafkaInputDStream.scala
4）StreamingSource.scala
5）StreamingContext.scala
网友评论