375      阿裏雲  技術社區[雲棲]

《Spark官方文檔》Spark Streaming編程指南（一）

Spark Streaming編程指南

概覽

Spark Streaming是對核心Spark API的一個擴展，它能夠實現對實時數據流的流式處理，並具有很好的可擴展性、高吞吐量和容錯性。Spark Streaming支持從多種數據源提取數據，如：Kafka、Flume、Twitter、ZeroMQ、Kinesis以及TCP套接字，並且可以提供一些高級API來表達複雜的處理算法，如：map、reduce、join和window等。最後，Spark Streaming支持將處理完的數據推送到文件係統、數據庫或者實時儀表盤中展示。實際上，你完全可以將Spark的機器學習（machine learning） 和 圖計算（graph processing）的算法應用於Spark Streaming的數據流當中。

下圖展示了Spark Streaming的內部工作原理。Spark Streaming從實時數據流接入數據，再將其劃分為一個個小批量供後續Spark engine處理，所以實際上，Spark Streaming是按一個個小批量來處理數據流的。

Spark Streaming為這種持續的數據流提供了的一個高級抽象，即：discretized stream（離散數據流）或者叫DStream。DStream既可以從輸入數據源創建得來，如：Kafka、Flume或者Kinesis，也可以從其他DStream經一些算子操作得到。其實在內部，一個DStream就是包含了一係列RDDs。

本文檔將向你展示如何用DStream進行Spark Streaming編程。Spark Streaming支持Scala、Java和Python（始於Spark 1.2），本文檔的示例包括這三種語言。

注意：對Python來說，有一部分API尚不支持，或者是和Scala、Java不同。本文檔中會用高亮形式來注明這部分 Python API。

一個小栗子

在深入Spark Streaming編程細節之前，我們先來看看一個簡單的小栗子以便有個感性認識。假設我們在一個TCP端口上監聽一個數據服務器的數據，並對收到的文本數據中的單詞計數。以下你所需的全部工作：

• Scala
• Java
• Python

import org.apache.spark._
import org.apache.spark.streaming._
import org.apache.spark.streaming.StreamingContext._ // 從Spark 1.3之後這行就可以不需要了

// 創建一個local StreamingContext，包含2個工作線程，並將批次間隔設為1秒
// master至少需要2個CPU核，以避免出現任務餓死的情況
val conf = new SparkConf().setMaster("local[2]").setAppName("NetworkWordCount")
val ssc = new StreamingContext(conf, Seconds(1))

// 創建一個連接到hostname:port的DStream，如：localhost:9999
val lines = ssc.socketTextStream("localhost", 9999)

// 將每一行分割成多個單詞
val words = lines.flatMap(_.split(" "))

import org.apache.spark.streaming.StreamingContext._ // Spark 1.3之後不再需要這行
// 對每一批次中的單詞進行計數
val pairs = words.map(word => (word, 1))
val wordCounts = pairs.reduceByKey(_ + _)

// 將該DStream產生的RDD的頭十個元素打印到控製台上
wordCounts.print()

ssc.start()             // 啟動流式計算
ssc.awaitTermination()  // 等待直到計算終止

如果你已經有一個Spark包（下載在這裏downloaded，自定義構建在這裏built），就可以執行按如下步驟運行這個例子。

首先，你需要運行netcat（Unix-like係統都會有這個小工具），將其作為data server

$ nc -lk 9999

然後，在另一個終端，按如下指令執行這個例子

• Scala
• Java
• Python

$ ./bin/run-example streaming.NetworkWordCount localhost 9999

好了，現在你嚐試可以在運行netcat的終端裏敲幾個單詞，你會發現這些單詞以及相應的計數會出現在啟動Spark Streaming例子的終端屏幕上。看上去應該和下麵這個示意圖類似：

# TERMINAL 1:
# Running Netcat

$ nc -lk 9999

hello world



...

$ ./bin/run-example streaming.NetworkWordCount localhost 9999
...
-------------------------------------------
Time: 1357008430000 ms
-------------------------------------------
(hello,1)
(world,1)
...

基本概念

下麵，我們在之前的小栗子基礎上，繼續深入了解一下Spark Streaming的一些基本概念。

鏈接依賴項

和Spark類似，Spark Streaming也能在Maven庫中找到。如果你需要編寫Spark Streaming程序，你就需要將以下依賴加入到你的SBT或Maven工程依賴中。

• Maven
• SBT

<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-streaming_2.10</artifactId>
    <version>1.6.1</version>
</dependency>

還有，對於從Kafka、Flume以及Kinesis這類數據源提取數據的流式應用來說，還需要額外增加相應的依賴項，下表列出了各種數據源對應的額外依賴項：

最新的依賴項信息（包括源代碼和Maven工件）請參考Maven repository。

初始化StreamingContext

要初始化任何一個Spark Streaming程序，都需要在入口代碼中創建一個StreamingContext對象。

• Scala
• Java
• Python

import org.apache.spark._
import org.apache.spark.streaming._

val conf = new SparkConf().setAppName(appName).setMaster(master)
val ssc = new StreamingContext(conf, Seconds(1))

import org.apache.spark.streaming._

val sc = ...                // 已有的SparkContext
val ssc = new StreamingContext(sc, Seconds(1))

context對象創建後，你還需要如下步驟：

1. 創建DStream對象，並定義好輸入數據源。
2. 基於數據源DStream定義好計算邏輯和輸出。
3. 調用streamingContext.start() 啟動接收並處理數據。
4. 調用streamingContext.awaitTermination() 等待流式處理結束（不管是手動結束，還是發生異常錯誤）
5. 你可以主動調用 streamingContext.stop() 來手動停止處理流程。

需要關注的重點:

• 一旦streamingContext啟動，就不能再對其計算邏輯進行添加或修改。
• 一旦streamingContext被stop掉，就不能restart。
• 單個JVM虛機同一時間隻能包含一個active的StreamingContext。
• StreamingContext.stop() 也會把關聯的SparkContext對象stop掉，如果不想把SparkContext對象也stop掉，可以將StreamingContext.stop的可選參數 stopSparkContext 設為false。
• 一個SparkContext對象可以和多個StreamingContext對象關聯，隻要先對前一個StreamingContext.stop(sparkContext=false)，然後再創建新的StreamingContext對象即可。

離散數據流 (DStreams)

離散數據流（DStream）是Spark Streaming最基本的抽象。它代表了一種連續的數據流，要麼從某種數據源提取數據，要麼從其他數據流映射轉換而來。DStream內部是由一係列連續的RDD組成的，每個RDD都是不可變、分布式的數據集（詳見Spark編程指南 – Spark Programming Guide）。每個RDD都包含了特定時間間隔內的一批數據，如下圖所示：

任何作用於DStream的算子，其實都會被轉化為對其內部RDD的操作。例如，在前麵的例子中，我們將 lines 這個DStream轉成words DStream對象，其實作用於lines上的flatMap算子，會施加於lines中的每個RDD上，並生成新的對應的RDD，而這些新生成的RDD對象就組成了words這個DStream對象。其過程如下圖所示：

底層的RDD轉換仍然是由Spark引擎來計算。DStream的算子將這些細節隱藏了起來，並為開發者提供了更為方便的高級API。後續會詳細討論這些高級算子。

輸入DStream和接收器

輸入DStream代表從某種流式數據源流入的數據流。在之前的例子裏，lines 對象就是輸入DStream，它代表從netcat server收到的數據流。每個輸入DStream（除文件數據流外）都和一個接收器（Receiver – Scala doc, Java doc）相關聯，而接收器則是專門從數據源拉取數據到內存中的對象。

Spark Streaming主要提供兩種內建的流式數據源：

• 基礎數據源（Basic sources）: 在StreamingContext API 中可直接使用的源，如：文件係統，套接字連接或者Akka actor。
• 高級數據源（Advanced sources）: 需要依賴額外工具類的源，如：Kafka、Flume、Kinesis、Twitter等數據源。這些數據源都需要增加額外的依賴，詳見依賴鏈接（linking）這一節。

本節中，我們將會從每種數據源中挑幾個繼續深入討論。

注意，如果你需要同時從多個數據源拉取數據，那麼你就需要創建多個DStream對象（詳見後續的性能調優這一小節）。多個DStream對象其實也就同時創建了多個數據流接收器。但是請注意，Spark的worker/executor 都是長期運行的，因此它們都會各自占用一個分配給Spark Streaming應用的CPU。所以，在運行Spark Streaming應用的時候，需要注意分配足夠的CPU core（本地運行時，需要足夠的線程）來處理接收到的數據，同時還要足夠的CPU core來運行這些接收器。

要點

• 如果本地運行Spark Streaming應用，記得不能將master設為”local” 或 “local[1]”。這兩個值都隻會在本地啟動一個線程。而如果此時你使用一個包含接收器（如：套接字、Kafka、Flume等）的輸入DStream，那麼這一個線程隻能用於運行這個接收器，而處理數據的邏輯就沒有線程來執行了。因此，本地運行時，一定要將master設為”local[n]”，其中 n > 接收器的個數（有關master的詳情請參考Spark Properties）。
• 將Spark Streaming應用置於集群中運行時，同樣，分配給該應用的CPU core數必須大於接收器的總數。否則，該應用就隻會接收數據，而不會處理數據。

基礎數據源

前麵的小栗子中，我們已經看到，使用ssc.socketTextStream(…) 可以從一個TCP連接中接收文本數據。而除了TCP套接字外，StreamingContext API 還支持從文件或者Akka actor中拉取數據。

• 文件數據流（File Streams）: 可以從任何兼容HDFS API（包括：HDFS、S3、NFS等）的文件係統，創建方式如下：
  • Scala
  • Java
  • Python

    streamingContext.fileStream[KeyClass, ValueClass, InputFormatClass](dataDirectory)

  Spark Streaming將監視該dataDirectory目錄，並處理該目錄下任何新建的文件（目前還不支持嵌套目錄）。注意：

  • 各個文件數據格式必須一致。
  • dataDirectory中的文件必須通過moving或者renaming來創建。
  • 一旦文件move進dataDirectory之後，就不能再改動。所以如果這個文件後續還有寫入，這些新寫入的數據不會被讀取。

  對於簡單的文本文件，更簡單的方式是調用 streamingContext.textFileStream(dataDirectory)。

  另外，文件數據流不是基於接收器的，所以不需要為其單獨分配一個CPU core。

  Python API fileStream目前暫時不可用，Python目前隻支持textFileStream。

• 基於自定義Actor的數據流（Streams based on Custom Actors）: DStream可以由Akka actor創建得到，隻需調用 streamingContext.actorStream(actorProps, actor-name)。詳見自定義接收器（Custom Receiver Guide）。actorStream暫時不支持Python API。
• RDD隊列數據流（Queue of RDDs as a Stream）: 如果需要測試Spark Streaming應用，你可以創建一個基於一批RDD的DStream對象，隻需調用 streamingContext.queueStream(queueOfRDDs)。RDD會被一個個依次推入隊列，而DStream則會依次以數據流形式處理這些RDD的數據。

關於套接字、文件以及Akka actor數據流更詳細信息，請參考相關文檔：StreamingContext for Scala,JavaStreamingContext for Java, and StreamingContext for Python。

高級數據源

Python API 自 Spark 1.6.1 起，Kafka、Kinesis、Flume和MQTT這些數據源將支持Python。

使用這類數據源需要依賴一些額外的代碼庫，有些依賴還挺複雜的（如：Kafka、Flume）。因此為了減少依賴項版本衝突問題，各個數據源DStream的相關功能被分割到不同的代碼包中，隻有用到的時候才需要鏈接打包進來。例如，如果你需要使用Twitter的tweets作為數據源，你需要以下步驟：

1. Linking: 將spark-streaming-twitter_2.10工件加入到SBT/Maven項目依賴中。
2. Programming: 導入TwitterUtils class，然後調用 TwitterUtils.createStream 創建一個DStream，具體代碼見下放。
3. Deploying: 生成一個uber Jar包，並包含其所有依賴項（包括 spark-streaming-twitter_2.10及其自身的依賴樹），再部署這個Jar包。部署詳情請參考部署這一節（Deploying section）。

• Scala
• Java

import org.apache.spark.streaming.twitter._

TwitterUtils.createStream(ssc, None)

注意，高級數據源在spark-shell中不可用，因此不能用spark-shell來測試基於高級數據源的應用。如果真有需要的話，你需要自行下載相應數據源的Maven工件及其依賴項，並將這些Jar包部署到spark-shell的classpath中。

下麵列舉了一些高級數據源：

• Kafka: Spark Streaming 1.6.1 可兼容 Kafka 0.8.2.1。詳見Kafka Integration Guide。
• Flume: Spark Streaming 1.6.1 可兼容 Flume 1.6.0 。詳見Flume Integration Guide。
• Kinesis: Spark Streaming 1.6.1 可兼容 Kinesis Client Library 1.2.1。詳見Kinesis Integration Guide。
• Twitter: Spark Streaming TwitterUtils 使用Twitter4j 通過 Twitter’s Streaming API 拉取公開tweets數據流。認證信息可以用任何Twitter4j所支持的方法（methods）。你可以獲取所有的公開數據流，當然也可以基於某些關鍵詞進行過濾。示例可以參考TwitterPopularTags 和 TwitterAlgebirdCMS。

自定義數據源

Python API 自定義數據源目前還不支持Python。

輸入DStream也可以用自定義的方式創建。你需要做的隻是實現一個自定義的接收器（receiver），以便從自定義的數據源接收數據，然後將數據推入Spark中。詳情請參考自定義接收器指南（Custom Receiver Guide）。

接收器可靠性

從可靠性角度來劃分，大致有兩種數據源。其中，像Kafka、Flume這樣的數據源，它們支持對所傳輸的數據進行確認。係統收到這類可靠數據源過來的數據，然後發出確認信息，這樣就能夠確保任何失敗情況下，都不會丟數據。因此我們可以將接收器也相應地分為兩類：

1. 可靠接收器（Reliable Receiver） – 可靠接收器會在成功接收並保存好Spark數據副本後，向可靠數據源發送確認信息。
2. 不可靠接收器（Unreliable Receiver） – 不可靠接收器不會發送任何確認信息。不過這種接收器常用語於不支持確認的數據源，或者不想引入數據確認的複雜性的數據源。

自定義接收器指南（Custom Receiver Guide）中詳細討論了如何寫一個可靠接收器。

DStream支持的transformation算子

和RDD類似，DStream也支持從輸入DStream經過各種transformation算子映射成新的DStream。DStream支持很多RDD上常見的transformation算子，一些常用的見下表：

下麵我們會挑幾個transformation算子深入討論一下。

updateStateByKey算子

updateStateByKey 算子支持維護一個任意的狀態。要實現這一點，隻需要兩步：

1. 定義狀態 – 狀態數據可以是任意類型。
2. 定義狀態更新函數 – 定義好一個函數，其輸入為數據流之前的狀態和新的數據流數據，且可其更新步驟1中定義的輸入數據流的狀態。

在每一個批次數據到達後，Spark都會調用狀態更新函數，來更新所有已有key（不管key是否存在於本批次中）的狀態。如果狀態更新函數返回None，則對應的鍵值對會被刪除。

舉例如下。假設你需要維護一個流式應用，統計數據流中每個單詞的出現次數。這裏將各個單詞的出現次數這個整型數定義為狀態。我們接下來定義狀態更新函數如下：

• Scala
• Java
• Python

def updateFunction(newValues: Seq[Int], runningCount: Option[Int]): Option[Int] = {
    val newCount = ...  // 將新的計數值和之前的狀態值相加，得到新的計數值
    Some(newCount)
}

val runningCounts = pairs.updateStateByKey[Int](updateFunction _)

注意，調用updateStateByKey前需要配置檢查點目錄，後續對此有詳細的討論，見檢查點（checkpointing）這節。

transform算子

transform算子（及其變體transformWith）可以支持任意的RDD到RDD的映射操作。也就是說，你可以用tranform算子來包裝任何DStream API所不支持的RDD算子。例如，將DStream每個批次中的RDD和另一個Dataset進行關聯（join）操作，這個功能DStream API並沒有直接支持。不過你可以用transform來實現這個功能，可見transform其實為DStream提供了非常強大的功能支持。比如說，你可以用事先算好的垃圾信息，對DStream進行實時過濾。

• Scala
• Java
• Python

val spamInfoRDD = ssc.sparkContext.newAPIHadoopRDD(...) // 包含垃圾信息的RDD

val cleanedDStream = wordCounts.transform(rdd => {
  rdd.join(spamInfoRDD).filter(...) // 將DStream中的RDD和spamInfoRDD關聯，並實時過濾垃圾數據
  ...
})

注意，這裏transform包含的算子，其調用時間間隔和批次間隔是相同的。所以你可以基於時間改變對RDD的操作，如：在不同批次，調用不同的RDD算子，設置不同的RDD分區或者廣播變量等。

基於窗口（window）的算子

Spark Streaming同樣也提供基於時間窗口的計算，也就是說，你可以對某一個滑動時間窗內的數據施加特定tranformation算子。如下圖所示：

如上圖所示，每次窗口滑動時，源DStream中落入窗口的RDDs就會被合並成新的windowed DStream。在上圖的例子中，這個操作會施加於3個RDD單元，而滑動距離是2個RDD單元。由此可以得出任何窗口相關操作都需要指定一下兩個參數：

• （窗口長度）window length – 窗口覆蓋的時間長度（上圖中為3）
• （滑動距離）sliding interval – 窗口啟動的時間間隔（上圖中為2）

注意，這兩個參數都必須是DStream批次間隔（上圖中為1）的整數倍.

下麵咱們舉個栗子。假設，你需要擴展前麵的那個小栗子，你需要每隔10秒統計一下前30秒內的單詞計數。為此，我們需要在包含(word, 1)鍵值對的DStream上，對最近30秒的數據調用reduceByKey算子。不過這些都可以簡單地用一個 reduceByKeyAndWindow搞定。

• Scala
• Java
• Python

// 每隔10秒歸約一次最近30秒的數據
val windowedWordCounts = pairs.reduceByKeyAndWindow((a:Int,b:Int) => (a + b), Seconds(30), Seconds(10))

以下列出了常用的窗口算子。所有這些算子都有前麵提到的那兩個參數 – 窗口長度 和 滑動距離。

Join相關算子

最後，值得一提的是，你在Spark Streaming中做各種關聯（join）操作非常簡單。

流-流（Stream-stream）關聯

一個數據流可以和另一個數據流直接關聯。

• Scala
• Java
• Python

val stream1: DStream[String, String] = ...
val stream2: DStream[String, String] = ...
val joinedStream = stream1.join(stream2)

上麵代碼中，stream1的每個批次中的RDD會和stream2相應批次中的RDD進行join。同樣，你可以類似地使用 leftOuterJoin, rightOuterJoin, fullOuterJoin 等。此外，你還可以基於窗口來join不同的數據流，其實現也很簡單，如下；）

• Scala
• Java
• Python

val windowedStream1 = stream1.window(Seconds(20))
val windowedStream2 = stream2.window(Minutes(1))
val joinedStream = windowedStream1.join(windowedStream2)

流-數據集（stream-dataset）關聯

其實這種情況已經在前麵的DStream.transform算子中介紹過了，這裏再舉個基於滑動窗口的例子。

• Scala
• Java
• Python

val dataset: RDD[String, String] = ...
val windowedStream = stream.window(Seconds(20))...
val joinedStream = windowedStream.transform { rdd => rdd.join(dataset) }

實際上，在上麵代碼裏，你可以動態地該表join的數據集（dataset）。傳給tranform算子的操作函數會在每個批次重新求值，所以每次該函數都會用最新的dataset值，所以不同批次間你可以改變dataset的值。

完整的DStream transformation算子列表見API文檔。Scala請參考 DStream 和 PairDStreamFunctions. Java請參考 JavaDStream 和 JavaPairDStream. Python見 DStream。

DStream輸出算子

輸出算子可以將DStream的數據推送到外部係統，如：數據庫或者文件係統。因為輸出算子會將最終完成轉換的數據輸出到外部係統，因此隻有輸出算子調用時，才會真正觸發DStream transformation算子的真正執行（這一點類似於RDD 的action算子）。目前所支持的輸出算子如下表：

使用foreachRDD的設計模式

DStream.foreachRDD是一個非常強大的原生工具函數，用戶可以基於此算子將DStream數據推送到外部係統中。不過用戶需要了解如何正確而高效地使用這個工具。以下列舉了一些常見的錯誤。

通常，對外部係統寫入數據需要一些連接對象（如：遠程server的TCP連接），以便發送數據給遠程係統。因此，開發人員可能會不經意地在Spark驅動器（driver）進程中創建一個連接對象，然後又試圖在Spark worker節點上使用這個連接。如下例所示：

• Scala
• Python

dstream.foreachRDD { rdd =>
  val connection = createNewConnection()  // 這行在驅動器（driver）進程執行
  rdd.foreach { record =>
    connection.send(record) // 而這行將在worker節點上執行
  }
}

這段代碼是錯誤的，因為它需要把連接對象序列化，再從驅動器節點發送到worker節點。而這些連接對象通常都是不能跨節點（機器）傳遞的。比如，連接對象通常都不能序列化，或者在另一個進程中反序列化後再次初始化（連接對象通常都需要初始化，因此從驅動節點發到worker節點後可能需要重新初始化）等。解決此類錯誤的辦法就是在worker節點上創建連接對象。

然而，有些開發人員可能會走到另一個極端 – 為每條記錄都創建一個連接對象，例如：

• Scala
• Python

dstream.foreachRDD { rdd =>
  rdd.foreach { record =>
    val connection = createNewConnection()
    connection.send(record)
    connection.close()
  }
}

一般來說，連接對象是有時間和資源開銷限製的。因此，對每條記錄都進行一次連接對象的創建和銷毀會增加很多不必要的開銷，同時也大大減小了係統的吞吐量。一個比較好的解決方案是使用 rdd.foreachPartition – 為RDD的每個分區創建一個單獨的連接對象，示例如下：

• Scala
• Python

dstream.foreachRDD { rdd =>
  rdd.foreachPartition { partitionOfRecords =>
    val connection = createNewConnection()
    partitionOfRecords.foreach(record => connection.send(record))
    connection.close()
  }
}

這樣一來，連接對象的創建開銷就攤到很多條記錄上了。

最後，還有一個更優化的辦法，就是在多個RDD批次之間複用連接對象。開發者可以維護一個靜態連接池來保存連接對象，以便在不同批次的多個RDD之間共享同一組連接對象，示例如下：

• Scala
• Python

dstream.foreachRDD { rdd =>
  rdd.foreachPartition { partitionOfRecords =>
    // ConnectionPool 是一個靜態的、懶惰初始化的連接池
    val connection = ConnectionPool.getConnection()
    partitionOfRecords.foreach(record => connection.send(record))
    ConnectionPool.returnConnection(connection)  // 將連接返還給連接池，以便後續複用之
  }
}

注意，連接池中的連接應該是懶惰創建的，並且有確定的超時時間，超時後自動銷毀。這個實現應該是目前發送數據最高效的實現方式。

其他要點:

• DStream的轉化執行也是懶惰的，需要輸出算子來觸發，這一點和RDD的懶惰執行由action算子觸發很類似。特別地，DStream輸出算子中包含的RDD action算子會強製觸發對所接收數據的處理。因此，如果你的Streaming應用中沒有輸出算子，或者你用了dstream.foreachRDD(func)卻沒有在func中調用RDD action算子，那麼這個應用隻會接收數據，而不會處理數據，接收到的數據最後隻是被簡單地丟棄掉了。
• 默認地，輸出算子隻能一次執行一個，且按照它們在應用程序代碼中定義的順序執行。

最後更新：2017-05-19 15:03:29

  上一篇：  《Spark官方文檔》Spark Streaming編程指南（二）

  下一篇：  《循序漸進學Spark 》Spark架構與集群環境