spark streaming

环境：spark.1.6.2
系统：centos7
jdk: 1.8（spark不使用Java的 lamda表达式的话，就呵呵了，代码非常啰嗦）
hadoop: 2.6

鉴于Java相关的 spark streaming 程序比较少，因此本人记录一下Java中怎么使用spark streaming 整合redis 。首先要注意的问题是，spark是分布式的 因此操作redis 的类 需要序列化到工作节点，可能和driver不是一台机器. 因此我们可以采用广播变量的方式 传输redisUtil工作类。本程序实现的是统计分布式的调用链信息：

import com.alibaba.fastjson.JSON;import com.alibaba.fastjson.JSONObject;import com.google.common.collect.Lists;import com.haiziwang.trace.com.haiziwang.vo.Span;import org.apache.spark.SparkConf;import org.apache.spark.api.java.JavaRDD;import org.apache.spark.api.java.JavaSparkContext;import org.apache.spark.api.java.function.Function2;import org.apache.spark.api.java.function.PairFunction;import org.apache.spark.api.java.function.VoidFunction;import org.apache.spark.broadcast.Broadcast;import org.apache.spark.streaming.Durations;import org.apache.spark.streaming.Time;import org.apache.spark.streaming.api.java.JavaDStream;import org.apache.spark.streaming.api.java.JavaPairDStream;import org.apache.spark.streaming.api.java.JavaPairReceiverInputDStream;import org.apache.spark.streaming.api.java.JavaStreamingContext;import org.apache.spark.streaming.kafka.KafkaUtils;import org.slf4j.Logger;import org.slf4j.LoggerFactory;import redis.clients.jedis.Jedis;import scala.Tuple2;import util.RedisClusterClient;import util.TraceMainInfoUtil;import java.util.Date;import java.util.HashMap;import java.util.Iterator;import java.util.Map;/** * Created by cj2580 on 2017/6/29. */public class KmonitorTrace {    private static final Logger logger = LoggerFactory.getLogger(KmonitorTrace.class);    private static final String zkQuorum = "172.172.177.69:2181,172.172.177.70:2181,172.172.177.71:2181/kafka"; //接收数据的地址和端口    private static final String group = "spark-trace_customer";//话题所在的组    private static final String topics = "hzw_trace";//业务员操作日志topic，话题名称，多个可以以“，”分隔    private static final String MAX_RATE_PER_PARTITION = "1000";//每个分区，一次最大拉取kafka的数量    private static final int CHECK_POINT_TIME = 10000;//单位ms    private static final int PATION_NUM = 8;//并发度    private static final int DURING_TIME = 5;//多少秒执行一次    private static final String ROOT_NODE="root";    public static void main(String[] args) {        traceStart();    }    public static void traceStart() {        new TraceMainInfoUtil().setToday2Redis();        //SparkConf sparkConf = new SparkConf().setAppName("KmonitorTrace").setMaster("local[2]");        SparkConf sparkConf = new SparkConf().setAppName("KmonitorTrace");        sparkConf.set("spark.serializer", "org.apache.spark.serializer.JavaSerializer");        sparkConf.set("spark.streaming.backpressure.initialRate", MAX_RATE_PER_PARTITION); //限制第一次批处理应该消费的数据        sparkConf.set("spark.streaming.kafka.maxRatePerPartition", MAX_RATE_PER_PARTITION); //此处为每秒每个partition的条数        sparkConf.set("spark.streaming.backpressure.enabled", "true");//开启后spark自动根据系统负载选择最优消费速率         sparkConf.set("spark.streaming.stopGracefullyOnShutdown", "true");//确保在kill任务时，能够处理完最后一批数据，再关闭程序，不会发生强制kill导致数据处理中断，没处理完的数据丢失         JavaStreamingContext jssc = new JavaStreamingContext(sparkConf, Durations.seconds(DURING_TIME));//多久执行一次        JavaSparkContext sc = jssc.sparkContext();        //从Kafka中获取数据转换成RDD        JavaPairReceiverInputDStream<String, String> lines = KafkaUtils.createStream(jssc, zkQuorum, group, getTopicMap());        TraceMainInfoUtil traceMainInfoUtil = new TraceMainInfoUtil();//redis客户端        //广播Reids连接池管理对象        final Broadcast<TraceMainInfoUtil> broadcastRedis = sc.broadcast(traceMainInfoUtil);        //遍历所有的kafka消息数据        JavaDStream<String> words = lines.flatMap( arg0 -> {            Span span = TraceMainInfoUtil.getJsonFromkafka(arg0._2());            if (span != null) {                return Lists.newArrayList(JSONObject.toJSONString(span));//只获取操作数据            }else {                return Lists.newArrayList();//如果无法转发成json的非法数据，直接过滤掉            }        });        JavaPairDStream<String, String> spanMap = words.mapToPair(new PairFunction<String, String, String>() {            @Override            public Tuple2<String, String> call(String s) throws Exception {                Span span = JSON.parseObject(s,Span.class);                return new Tuple2<String, String>(span.getSpanId(),s);            }        });        //分布式 - action操作        words.foreachRDD( rdd  -> {            rdd.foreachPartition( partitionOfRecords  -> {                // 每个分区创建一个redis示例executed at the driver                while (partitionOfRecords.hasNext()){                    try {                        TraceMainInfoUtil redisUtil= broadcastRedis.getValue();                        String data = partitionOfRecords.next();                        Span span = JSON.parseObject(data, Span.class);                        //根节点才计算为一条日志                        if (span.getParentId().equals(ROOT_NODE)) {                            redisUtil.incrementValue2redis(TraceMainInfoUtil.REQUEST_PER_D);//总请求量                            redisUtil.incrementValue2redis(TraceMainInfoUtil.REQUEST_ALLTIME_D);//总耗时                            redisUtil.addAppRank(span);// 应用的排名存入redis                            redisUtil.setAvgTime2redis();// 设置平均耗时                        }                        //错误次数累加                        if(span.getSuccess() != 0){                            redisUtil.incrementValue2redis(TraceMainInfoUtil.REQUEST_ERRORRATE_D);//当日总错误次数                        }                        logger.info("数据：" + data);                    } catch (Exception e) {                        logger.error(e.toString());                        e.printStackTrace();                    }                }            });        });        words.print();        jssc.start();        jssc.awaitTermination();        jssc.close();    }    public static Map<String, Integer> getTopicMap() {        Map<String, Integer> topicmap = new HashMap<>();        String[] topicsArr = topics.split(",");        int n = topicsArr.length;        for (int i = 0; i < n; i++) {            topicmap.put(topicsArr[i], 2);        }        return topicmap;    }}

pom.xml文件，截取了关键信息

 <properties>        <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>        <spark.version>1.6.2</spark.version>    </properties>    <dependencies>    <dependency>            <groupId>org.apache.spark</groupId>            <artifactId>spark-core_2.10</artifactId>            <version>${spark.version}</version>        </dependency>        <dependency>            <groupId>org.apache.spark</groupId>            <artifactId>spark-streaming_2.10</artifactId>            <version>${spark.version}</version>        </dependency>        <dependency>            <groupId>org.apache.spark</groupId>            <artifactId>spark-streaming-kafka_2.10</artifactId>            <version>${spark.version}</version>        </dependency>        <dependency>            <groupId>org.apache.hadoop</groupId>            <artifactId>hadoop-client</artifactId>            <version>2.6.0</version>        </dependency>        <dependency>            <groupId>com.alibaba</groupId>            <artifactId>fastjson</artifactId>            <version>1.2.24</version>        </dependency>

其中TraceMainInfoUtil 使用了公司内部的redis框架，就不贴所有代码了，注意TraceMainInfoUtil 一定要实现序列化接口 Serializable ，否则无法广播到excutor 所在的spark执行Task的工作节点：

public class TraceMainInfoUtil implements Serializable {    public  static  final String  REQUEST_PER_S = "req-per-seconds_";//每秒的请求量    public  static  final String  REQUEST_PER_D = "req-per-day_";//每天的请求量    public  static  final String  REQUEST_MAXTIME_D = "req-maxTime-day_";//每日最大耗时    public  static  final String  REQUEST_ALLTIME_D = "req-allTime-day_";//每日总耗时    public  static  final String  REQUEST_AVGTIME_D = "req-avgTime-day_";//每日平均耗时    public  static  final String  REQUEST_ERRORRATE_D = "req-errorRate-day_";//每日错误率    public static final String RANK_APP_BY_MAX_TIME="req-maxTime-app-rank_";//应用耗时排名    public static final int  MAX_APP_CNT = 20;//应用排名数量    public static  final String REQUSET_TODAY="req_today";    private IKMEMCache cache1;//缓存cache    private TraceMainInfoUtil traceMainInfoUtil;    private static final int TIME_OUT_SENCONDS  = 3600*24*14 ;//24小时*3600s    private static final long serialVersionUID = 164037256914939128L;//序列化编号    public TraceMainInfoUtil (){        KMEMClient.getInstance().registerCache("cache1");        this.cache1 = KMEMClient.getInstance().getCache("cache1");//初始化缓存    }    ……

最后，我们将写好的程序打包（打包 最好把依赖包一起打到jar包里面）
执行：

nohup  spark-submit --class com.haiziwang.trace.Trace --master yarn --deploy-mode client  --num-executors 20 --executor-cores 4 --executor-memory 1G kmonitor-spark-1.0-SNAPSHOT-with_dependency.jar

参数解释：

num-executors

参数说明：该参数用于设置Spark作业总共要用多少个Executor进程来执行。Driver在向YARN集群管理器申请资源时，YARN集群管理器会尽可能按照你的设置来在集群的各个工作节点上，启动相应数量的Executor进程。这个参数非常之重要，如果不设置的话，默认只会给你启动少量的Executor进程，此时你的Spark作业的运行速度是非常慢的。
参数调优建议：每个Spark作业的运行一般设置50~100个左右的Executor进程比较合适，设置太少或太多的Executor进程都不好。设置的太少，无法充分利用集群资源；设置的太多的话，大部分队列可能无法给予充分的资源。

executor-memory

参数说明：该参数用于设置每个Executor进程的内存。Executor内存的大小，很多时候直接决定了Spark作业的性能，而且跟常见的JVM OOM异常，也有直接的关联。
参数调优建议：每个Executor进程的内存设置4G~8G较为合适。但是这只是一个参考值，具体的设置还是得根据不同部门的资源队列来定。可以看看自己团队的资源队列的最大内存限制是多少，num-executors乘以executor-memory，就代表了你的Spark作业申请到的总内存量（也就是所有Executor进程的内存总和），这个量是不能超过队列的最大内存量的。此外，如果你是跟团队里其他人共享这个资源队列，那么申请的总内存量最好不要超过资源队列最大总内存的1/3~1/2，避免你自己的Spark作业占用了队列所有的资源，导致别的同学的作业无法运行。

executor-cores

参数说明：该参数用于设置每个Executor进程的CPU core数量。这个参数决定了每个Executor进程并行执行task线程的能力。因为每个CPU core同一时间只能执行一个task线程，因此每个Executor进程的CPU core数量越多，越能够快速地执行完分配给自己的所有task线程。
参数调优建议：Executor的CPU core数量设置为2~4个较为合适。同样得根据不同部门的资源队列来定，可以看看自己的资源队列的最大CPU core限制是多少，再依据设置的Executor数量，来决定每个Executor进程可以分配到几个CPU core。同样建议，如果是跟他人共享这个队列，那么num-executors * executor-cores不要超过队列总CPU core的1/3~1/2左右比较合适，也是避免影响其他同学的作业运行。

spark.default.parallelism

参数说明：该参数用于设置每个stage的默认task数量。这个参数极为重要，如果不设置可能会直接影响你的Spark作业性能。
参数调优建议：Spark作业的默认task数量为500~1000个较为合适。很多同学常犯的一个错误就是不去设置这个参数，那么此时就会导致Spark自己根据底层HDFS的block数量来设置task的数量，默认是一个HDFS block对应一个task。通常来说，Spark默认设置的数量是偏少的（比如就几十个task），如果task数量偏少的话，就会导致你前面设置好的Executor的参数都前功尽弃。试想一下，无论你的Executor进程有多少个，内存和CPU有多大，但是task只有1个或者10个，那么90%的Executor进程可能根本就没有task执行，也就是白白浪费了资源！因此Spark官网建议的设置原则是，设置该参数为num-executors * executor-cores的2~3倍较为合适，比如Executor的总CPU core数量为300个，那么设置1000个task是可以的，此时可以充分地利用Spark集群的资源。

spark.storage.memoryFraction

参数说明：该参数用于设置RDD持久化数据在Executor内存中能占的比例，默认是0.6。也就是说，默认Executor 60%的内存，可以用来保存持久化的RDD数据。根据你选择的不同的持久化策略，如果内存不够时，可能数据就不会持久化，或者数据会写入磁盘。
参数调优建议：如果Spark作业中，有较多的RDD持久化操作，该参数的值可以适当提高一些，保证持久化的数据能够容纳在内存中。避免内存不够缓存所有的数据，导致数据只能写入磁盘中，降低了性能。但是如果Spark作业中的shuffle类操作比较多，而持久化操作比较少，那么这个参数的值适当降低一些比较合适。此外，如果发现作业由于频繁的gc导致运行缓慢（通过spark web ui可以观察到作业的gc耗时），意味着task执行用户代码的内存不够用，那么同样建议调低这个参数的值。

spark.shuffle.memoryFraction

参数说明：该参数用于设置shuffle过程中一个task拉取到上个stage的task的输出后，进行聚合操作时能够使用的Executor内存的比例，默认是0.2。也就是说，Executor默认只有20%的内存用来进行该操作。shuffle操作在进行聚合时，如果发现使用的内存超出了这个20%的限制，那么多余的数据就会溢写到磁盘文件中去，此时就会极大地降低性能。
参数调优建议：如果Spark作业中的RDD持久化操作较少，shuffle操作较多时，建议降低持久化操作的内存占比，提高shuffle操作的内存占比比例，避免shuffle过程中数据过多时内存不够用，必须溢写到磁盘上，降低了性能。此外，如果发现作业由于频繁的gc导致运行缓慢，意味着task执行用户代码的内存不够用，那么同样建议调低这个参数的值。