2019独角兽企业重金招聘Python工程师标准>>> hot3.png

基于Spark通用计算平台，可以很好地扩展各种计算类型的应用，尤其是Spark提供了内建的计算库支持，像Spark Streaming、Spark SQL、MLlib、GraphX，这些内建库都提供了高级抽象，可以用非常简洁的代码实现复杂的计算逻辑、这也得益于Scala编程语言的简洁性。这 里，我们基于1.3.0版本的Spark搭建了计算平台，实现基于Spark Streaming的实时计算。
我们的应用场景是分析用户使用手机App的行为，描述如下所示：

  • 手机客户端会收集用户的行为事件（我们以点击事件为例），将数据发送到数据服务器，我们假设这里直接进入到Kafka消息队列

  • 后端的实时服务会从Kafka消费数据，将数据读出来并进行实时分析，这里选择Spark Streaming，因为Spark Streaming提供了与Kafka整合的内置支持

  • 经过Spark Streaming实时计算程序分析，将结果写入Redis，可以实时获取用户的行为数据，并可以导出进行离线综合统计分析

Spark Streaming介绍

Spark Streaming提供了一个叫做DStream（Discretized Stream）的高级抽象，DStream表示一个持续不断输入的数据流，可以基于Kafka、TCP Socket、Flume等输入数据流创建。在内部，一个DStream实际上是由一个RDD序列组成的。Sparking Streaming是基于Spark平台的，也就继承了Spark平台的各种特性，如容错（Fault-tolerant）、可扩展 （Scalable）、高吞吐（High-throughput）等。
在Spark Streaming中，每个DStream包含了一个时间间隔之内的数据项的集合，我们可以理解为指定时间间隔之内的一个batch，每一个batch就 构成一个RDD数据集，所以DStream就是一个个batch的有序序列，时间是连续的，按照时间间隔将数据流分割成一个个离散的RDD数据集，如图所 示（来自官网）：

我们都知道，Spark支持两种类型操作：Transformations和Actions。Transformation从一个已知的RDD数据集经过 转换得到一个新的RDD数据集，这些Transformation操作包括map、filter、flatMap、union、join等，而且 Transformation具有lazy的特性，调用这些操作并没有立刻执行对已知RDD数据集的计算操作，而是在调用了另一类型的Action操作才 会真正地执行。Action执行，会真正地对RDD数据集进行操作，返回一个计算结果给Driver程序，或者没有返回结果，如将计算结果数据进行持久 化，Action操作包括reduceByKey、count、foreach、collect等。关于Transformations和Actions 更详细内容，可以查看官网文档。
同样、Spark Streaming提供了类似Spark的两种操作类型，分别为Transformations和Output操作，它们的操作对象是DStream，作 用也和Spark类似：Transformation从一个已知的DStream经过转换得到一个新的DStream，而且Spark Streaming还额外增加了一类针对Window的操作，当然它也是Transformation，但是可以更灵活地控制DStream的大小（时间 间隔大小、数据元素个数），例如window(windowLength, slideInterval)、countByWindow(windowLength, slideInterval)、reduceByWindow(func, windowLength, slideInterval)等。Spark Streaming的Output操作允许我们将DStream数据输出到一个外部的存储系统，如数据库或文件系统等，执行Output操作类似执行 Spark的Action操作，使得该操作之前lazy的Transformation操作序列真正地执行。

Kafka+Spark Streaming+Redis编程实践

下面，我们根据上面提到的应用场景，来编程实现这个实时计算应用。首先，写了一个Kafka Producer模拟程序，用来模拟向Kafka实时写入用户行为的事件数据，数据是JSON格式，示例如下：

1{"uid":"068b746ed4620d25e26055a9f804385f","event_time":"1430204612405","os_type":"Android","click_count":6}

一个事件包含4个字段：

  • uid：用户编号

  • event_time：事件发生时间戳

  • os_type：手机App操作系统类型

  • click_count：点击次数

下面是我们实现的代码，如下所示：

01package org.shirdrn.spark.streaming.utils
02
03import java.util.Properties
04import scala.util.Properties
05import org.codehaus.jettison.json.JSONObject
06import kafka.javaapi.producer.Producer
07import kafka.producer.KeyedMessage
08import kafka.producer.KeyedMessage
09import kafka.producer.ProducerConfig
10import scala.util.Random
11
12object KafkaEventProducer {
13
14  private val users = Array(
15      "4A4D769EB9679C054DE81B973ED5D768", "8dfeb5aaafc027d89349ac9a20b3930f",
16      "011BBF43B89BFBF266C865DF0397AA71", "f2a8474bf7bd94f0aabbd4cdd2c06dcf",
17      "068b746ed4620d25e26055a9f804385f", "97edfc08311c70143401745a03a50706",
18      "d7f141563005d1b5d0d3dd30138f3f62", "c8ee90aade1671a21336c721512b817a",
19      "6b67c8c700427dee7552f81f3228c927", "a95f22eabc4fd4b580c011a3161a9d9d")
20
21  private val random = new Random()
22
23  private var pointer = -1
24
25  def getUserID() : String = {
26       pointer = pointer + 1
27    if(pointer >= users.length) {
28      pointer = 0
29      users(pointer)
30    } else {
31      users(pointer)
32    }
33  }
34
35  def click() : Double = {
36    random.nextInt(10)
37  }
38
39  // bin/kafka-topics.sh --zookeeper zk1:2181,zk2:2181,zk3:2181/kafka --create --topic user_events --replication-factor 2 --partitions 2
40  // bin/kafka-topics.sh --zookeeper zk1:2181,zk2:2181,zk3:2181/kafka --list
41  // bin/kafka-topics.sh --zookeeper zk1:2181,zk2:2181,zk3:2181/kafka --describe user_events
42  // bin/kafka-console-consumer.sh --zookeeper zk1:2181,zk2:2181,zk3:22181/kafka --topic test_json_basis_event --from-beginning
43  def main(args: Array[String]): Unit = {
44    val topic = "user_events"
45    val brokers = "10.10.4.126:9092,10.10.4.127:9092"
46    val props = new Properties()
47    props.put("metadata.broker.list", brokers)
48    props.put("serializer.class", "kafka.serializer.StringEncoder")
49
50    val kafkaConfig = new ProducerConfig(props)
51    val producer = new Producer[String, String](kafkaConfig)
52
53    while(true) {
54      // prepare event data
55      val event = new JSONObject()
56      event
57        .put("uid", getUserID)
58        .put("event_time", System.currentTimeMillis.toString)
59        .put("os_type", "Android")
60        .put("click_count", click)
61
62      // produce event message
63      producer.send(new KeyedMessage[String, String](topic, event.toString))
64      println("Message sent: " + event)
65
66      Thread.sleep(200)
67    }
68  } 
69}

通过控制上面程序最后一行的时间间隔来控制模拟写入速度。下面我们来讨论实现实时统计每个用户的点击次数，它是按照用户分组进行累加次数，逻辑比较简单，关键是在实现过程中要注意一些问题，如对象序列化等。先看实现代码，稍后我们再详细讨论，代码实现如下所示：

01object UserClickCountAnalytics {
02
03  def main(args: Array[String]): Unit = {
04    var masterUrl = "local[1]"
05    if (args.length > 0) {
06      masterUrl = args(0)
07    }
08
09    // Create a StreamingContext with the given master URL
10    val conf = new SparkConf().setMaster(masterUrl).setAppName("UserClickCountStat")
11    val ssc = new StreamingContext(conf, Seconds(5))
12
13    // Kafka configurations
14    val topics = Set("user_events")
15    val brokers = "10.10.4.126:9092,10.10.4.127:9092"
16    val kafkaParams = Map[String, String](
17      "metadata.broker.list" -> brokers, "serializer.class" -> "kafka.serializer.StringEncoder")
18
19    val dbIndex = 1
20    val clickHashKey = "app::users::click"
21
22    // Create a direct stream
23    val kafkaStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](ssc, kafkaParams, topics)
24
25    val events = kafkaStream.flatMap(line => {
26      val data = JSONObject.fromObject(line._2)
27      Some(data)
28    })
29
30    // Compute user click times
31    val userClicks = events.map(x => (x.getString("uid"), x.getInt("click_count"))).reduceByKey(_ + _)
32    userClicks.foreachRDD(rdd => {
33      rdd.foreachPartition(partitionOfRecords => {
34        partitionOfRecords.foreach(pair => {
35          val uid = pair._1
36          val clickCount = pair._2
37          val jedis = RedisClient.pool.getResource
38          jedis.select(dbIndex)
39          jedis.hincrBy(clickHashKey, uid, clickCount)
40          RedisClient.pool.returnResource(jedis)
41        })
42      })
43    })
44
45    ssc.start()
46    ssc.awaitTermination()
47
48  }
49}

上面代码使用了Jedis客户端来操作Redis，将分组计数结果数据累加写入Redis存储，如果其他系统需要实时获取该数据，直接从Redis实时读取即可。RedisClient实现代码如下所示：

01object RedisClient extends Serializable {
02  val redisHost = "10.10.4.130"
03  val redisPort = 6379
04  val redisTimeout = 30000
05  lazy val pool = new JedisPool(new GenericObjectPoolConfig(), redisHost, redisPort, redisTimeout)
06
07  lazy val hook = new Thread {
08    override def run = {
09      println("Execute hook thread: " + this)
10      pool.destroy()
11    }
12  }
13  sys.addShutdownHook(hook.run)
14}

上面代码我们分别在local[K]和Spark Standalone集群模式下运行通过。
如果我们是在开发环境进行调试的时候，也就是使用local[K]部署模式，在本地启动K个Worker线程来计算，这K个Worker在同一个JVM实 例里，上面的代码默认情况是，如果没有传参数则是local[K]模式，所以如果使用这种方式在创建Redis连接池或连接的时候，可能非常容易调试通 过，但是在使用Spark Standalone、YARN Client（YARN Cluster）或Mesos集群部署模式的时候，就会报错，主要是由于在处理Redis连接池或连接的时候出错了。我们可以看一下Spark架构，如图 所示（来自官网）：

无论是在本地模式、Standalone模式，还是在Mesos或YARN模式下，整个Spark集群的结构都可以用上图抽象表示，只是各个组件的运行环 境不同，导致组件可能是分布式的，或本地的，或单个JVM实例的。如在本地模式，则上图表现为在同一节点上的单个进程之内的多个组件；而在YARN Client模式下，Driver程序是在YARN集群之外的一个节点上提交Spark Application，其他的组件都运行在YARN集群管理的节点上。
在Spark集群环境部署Application后，在进行计算的时候会将作用于RDD数据集上的函数（Functions）发送到集群中Worker上 的Executor上（在Spark Streaming中是作用于DStream的操作），那么这些函数操作所作用的对象（Elements）必须是可序列化的，通过Scala也可以使用 lazy引用来解决，否则这些对象（Elements）在跨节点序列化传输后，无法正确地执行反序列化重构成实际可用的对象。上面代码我们使用lazy引 用（Lazy Reference）来实现的，代码如下所示：

01// lazy pool reference
02lazy val pool = new JedisPool(new GenericObjectPoolConfig(), redisHost, redisPort, redisTimeout)
03...
04partitionOfRecords.foreach(pair => {
05  val uid = pair._1
06  val clickCount = pair._2
07  val jedis = RedisClient.pool.getResource
08  jedis.select(dbIndex)
09  jedis.hincrBy(clickHashKey, uid, clickCount)
10  RedisClient.pool.returnResource(jedis)
11})

另一种方式，我们将代码修改为，把对Redis连接的管理放在操作DStream的Output操作范围之内，因为我们知道它是在特定的Executor中进行初始化的，使用一个单例的对象来管理，如下所示：

001package org.shirdrn.spark.streaming
002
003import org.apache.commons.pool2.impl.GenericObjectPoolConfig
004import org.apache.spark.SparkConf
005import org.apache.spark.streaming.Seconds
006import org.apache.spark.streaming.StreamingContext
007import org.apache.spark.streaming.dstream.DStream.toPairDStreamFunctions
008import org.apache.spark.streaming.kafka.KafkaUtils
009
010import kafka.serializer.StringDecoder
011import net.sf.json.JSONObject
012import redis.clients.jedis.JedisPool
013
014object UserClickCountAnalytics {
015
016  def main(args: Array[String]): Unit = {
017    var masterUrl = "local[1]"
018    if (args.length > 0) {
019      masterUrl = args(0)
020    }
021
022    // Create a StreamingContext with the given master URL
023    val conf = new SparkConf().setMaster(masterUrl).setAppName("UserClickCountStat")
024    val ssc = new StreamingContext(conf, Seconds(5))
025
026    // Kafka configurations
027    val topics = Set("user_events")
028    val brokers = "10.10.4.126:9092,10.10.4.127:9092"
029    val kafkaParams = Map[String, String](
030      "metadata.broker.list" -> brokers, "serializer.class" -> "kafka.serializer.StringEncoder")
031
032    val dbIndex = 1
033    val clickHashKey = "app::users::click"
034
035    // Create a direct stream
036    val kafkaStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](ssc, kafkaParams, topics)
037
038    val events = kafkaStream.flatMap(line => {
039      val data = JSONObject.fromObject(line._2)
040      Some(data)
041    })
042
043    // Compute user click times
044    val userClicks = events.map(x => (x.getString("uid"), x.getInt("click_count"))).reduceByKey(_ + _)
045    userClicks.foreachRDD(rdd => {
046      rdd.foreachPartition(partitionOfRecords => {
047        partitionOfRecords.foreach(pair => {
048
049          /**
050           * Internal Redis client for managing Redis connection {@link  Jedis} based on {@link  RedisPool}
051           */
052          object InternalRedisClient extends Serializable {
053
054            @transient private var pool: JedisPool = null
055
056            def makePool(redisHost: String, redisPort: Int, redisTimeout: Int,
057                maxTotal: Int, maxIdle: Int, minIdle: Int): Unit = {
058              makePool(redisHost, redisPort, redisTimeout, maxTotal, maxIdle, minIdle, true, false, 10000)  
059            }
060
061            def makePool(redisHost: String, redisPort: Int, redisTimeout: Int,
062                maxTotal: Int, maxIdle: Int, minIdle: Int, testOnBorrow: Boolean,
063                testOnReturn: Boolean, maxWaitMillis: Long): Unit = {
064              if(pool == null) {
065                   val poolConfig = new GenericObjectPoolConfig()
066                   poolConfig.setMaxTotal(maxTotal)
067                   poolConfig.setMaxIdle(maxIdle)
068                   poolConfig.setMinIdle(minIdle)
069                   poolConfig.setTestOnBorrow(testOnBorrow)
070                   poolConfig.setTestOnReturn(testOnReturn)
071                   poolConfig.setMaxWaitMillis(maxWaitMillis)
072                   pool = new JedisPool(poolConfig, redisHost, redisPort, redisTimeout)
073
074                   val hook = new Thread{
075                        override def run = pool.destroy()
076                   }
077                   sys.addShutdownHook(hook.run)
078              }
079            }
080
081            def getPool: JedisPool = {
082              assert(pool != null)
083              pool
084            }
085          }
086
087          // Redis configurations
088          val maxTotal = 10
089          val maxIdle = 10
090          val minIdle = 1
091          val redisHost = "10.10.4.130"
092          val redisPort = 6379
093          val redisTimeout = 30000
094          val dbIndex = 1
095          InternalRedisClient.makePool(redisHost, redisPort, redisTimeout, maxTotal, maxIdle, minIdle)
096
097          val uid = pair._1
098          val clickCount = pair._2
099          val jedis =InternalRedisClient.getPool.getResource
100          jedis.select(dbIndex)
101          jedis.hincrBy(clickHashKey, uid, clickCount)
102          InternalRedisClient.getPool.returnResource(jedis)
103        })
104      })
105    })
106
107    ssc.start()
108    ssc.awaitTermination()
109
110  }
111}

上面代码实现，得益于Scala语言的特性，可以在代码中任何位置进行class或object的定义，我们将用来管理Redis连接的代码放在了 特定操作的内部，就避免了瞬态（Transient）对象跨节点序列化的问题。这样做还要求我们能够了解Spark内部是如何操作RDD数据集的，更多可 以参考RDD或Spark相关文档。
在集群上，以Standalone模式运行，执行如下命令：

1cd /usr/local/spark
2./bin/spark-submit --class org.shirdrn.spark.streaming.UserClickCountAnalytics --master spark://hadoop1:7077 --executor-memory 1G --total-executor-cores 2 ~/spark-0.0.SNAPSHOT.jar spark://hadoop1:7077

可以查看集群中各个Worker节点执行计算任务的状态，也可以非常方便地通过Web页面查看。
下面，看一下我们存储到Redis中的计算结果，如下所示：

01127.0.0.1:6379[1]> HGETALL app::users::click
021) "4A4D769EB9679C054DE81B973ED5D768"
032) "7037"
043) "8dfeb5aaafc027d89349ac9a20b3930f"
054) "6992"
065) "011BBF43B89BFBF266C865DF0397AA71"
076) "7021"
087) "97edfc08311c70143401745a03a50706"
098) "6874"
109) "d7f141563005d1b5d0d3dd30138f3f62"
1110) "7057"
1211) "a95f22eabc4fd4b580c011a3161a9d9d"
1312) "7092"
1413) "6b67c8c700427dee7552f81f3228c927"
1514) "7266"
1615) "f2a8474bf7bd94f0aabbd4cdd2c06dcf"
1716) "7188"
1817) "c8ee90aade1671a21336c721512b817a"
1918) "6950"
2019) "068b746ed4620d25e26055a9f804385f"

有关更多关于Spark Streaming的详细内容，可以参考官方文档。

附录

这里，附上前面开发的应用所对应的依赖，以及打包Spark Streaming应用程序的Maven配置，以供参考。如果使用maven-shade-plugin插件，配置有问题的话，打包后在Spark集群上 提交Application时候可能会报错Invalid signature file digest for Manifest main attributes。参考的Maven配置，如下所示：

001<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
002     xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
003     <modelVersion>4.0.0</modelVersion>
004     <groupId>org.shirdrn.spark</groupId>
005     <artifactId>spark</artifactId>
006     <version>0.0.1-SNAPSHOT</version>
007
008     <dependencies>
009          <dependency>
010               <groupId>org.apache.spark</groupId>
011               <artifactId>spark-core_2.10</artifactId>
012               <version>1.3.0</version>
013          </dependency>
014          <dependency>
015               <groupId>org.apache.spark</groupId>
016               <artifactId>spark-streaming_2.10</artifactId>
017               <version>1.3.0</version>
018          </dependency>
019          <dependency>
020               <groupId>net.sf.json-lib</groupId>
021               <artifactId>json-lib</artifactId>
022               <version>2.3</version>
023          </dependency>
024          <dependency>
025               <groupId>org.apache.spark</groupId>
026               <artifactId>spark-streaming-kafka_2.10</artifactId>
027               <version>1.3.0</version>
028          </dependency>
029          <dependency>
030               <groupId>redis.clients</groupId>
031               <artifactId>jedis</artifactId>
032               <version>2.5.2</version>
033          </dependency>
034          <dependency>
035               <groupId>org.apache.commons</groupId>
036               <artifactId>commons-pool2</artifactId>
037               <version>2.2</version>
038          </dependency>
039     </dependencies>
040
041     <build>
042          <sourceDirectory>${basedir}/src/main/scala</sourceDirectory>
043          <testSourceDirectory>${basedir}/src/test/scala</testSourceDirectory>
044          <resources>
045               <resource>
046                    <directory>${basedir}/src/main/resources</directory>
047               </resource>
048          </resources>
049          <testResources>
050               <testResource>
051                    <directory>${basedir}/src/test/resources</directory>
052               </testResource>
053          </testResources>
054          <plugins>
055               <plugin>
056                    <artifactId>maven-compiler-plugin</artifactId>
057                    <version>3.1</version>
058                    <configuration>
059                         <source>1.6</source>
060                         <target>1.6</target>
061                    </configuration>
062               </plugin>
063               <plugin>
064                    <groupId>org.apache.maven.plugins</groupId>
065                    <artifactId>maven-shade-plugin</artifactId>
066                    <version>2.2</version>
067                    <configuration>
068                         <createDependencyReducedPom>true</createDependencyReducedPom>
069                    </configuration>
070                    <executions>
071                         <execution>
072                              <phase>package</phase>
073                              <goals>
074                                   <goal>shade</goal>
075                              </goals>
076                              <configuration>
077                                   <artifactSet>
078                                        <includes>
079                                             <include>*:*</include>
080                                        </includes>
081                                   </artifactSet>
082                                   <filters>
083                                        <filter>
084                                             <artifact>*:*</artifact>
085                                             <excludes>
086                                                  <exclude>META-INF/*.SF</exclude>
087                                                  <exclude>META-INF/*.DSA</exclude>
088                                                  <exclude>META-INF/*.RSA</exclude>
089                                             </excludes>
090                                        </filter>
091                                   </filters>
092                                   <transformers>
093                                        <transformer
094                                             implementation="org.apache.maven.plugins.shade.resource.ServicesResourceTransformer" />
095                                        <transformer
096                                             implementation="org.apache.maven.plugins.shade.resource.AppendingTransformer">
097                                             <resource>reference.conf</resource>
098                                        </transformer>
099                                        <transformer
100                                             implementation="org.apache.maven.plugins.shade.resource.DontIncludeResourceTransformer">
101                                             <resource>log4j.properties</resource>
102                                        </transformer>
103                                   </transformers>
104                              </configuration>
105                         </execution>
106                    </executions>
107               </plugin>
108          </plugins>
109     </build>
110</project>

参考链接

Creative Commons License

本文基于署名-非商业性使用-相同方式共享 4.0许可协议发布，欢迎转载、使用、重新发布，但务必保留文章署名时延军（包含链接：http://shiyanjun.cn），不得用于商业目的，基于本文修改后的作品务必以相同的许可发布。如有任何疑问，请与我联系。


转载于:https://my.oschina.net/u/2306127/blog/635518

Logo
DAMO开发者矩阵

DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。

更多推荐

cover

AI 要“长出身体“？黄仁勋押注的 “物理 AI“，究竟是什么

avatar DAMO开发者矩阵
cover

python的机器人基础原理工业场景模拟:搬运工作站，给定关节角度，角速度，角加速度，调用工具箱直接求解全套关节力矩。

avatar DAMO开发者矩阵
cover

机器人训练数据的结构性缺口：场景·视角·质量的三重错配分析

avatar DAMO开发者矩阵