Kafka+Spark Streaming+Redis实时计算整合实践

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：

{"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：

package org.shirdrn.spark.streaming.utilsimport java.util.Propertiesimport scala.util.Propertiesimport org.codehaus.jettison.json.JSONObjectimport kafka.javaapi.producer.Producerimport kafka.producer.KeyedMessageimport kafka.producer.KeyedMessageimport kafka.producer.ProducerConfigimport scala.util.Randomobject KafkaEventProducer {   private val users = Array(      "4A4D769EB9679C054DE81B973ED5D768", "8dfeb5aaafc027d89349ac9a20b3930f",      "011BBF43B89BFBF266C865DF0397AA71", "f2a8474bf7bd94f0aabbd4cdd2c06dcf",      "068b746ed4620d25e26055a9f804385f", "97edfc08311c70143401745a03a50706",      "d7f141563005d1b5d0d3dd30138f3f62", "c8ee90aade1671a21336c721512b817a",      "6b67c8c700427dee7552f81f3228c927", "a95f22eabc4fd4b580c011a3161a9d9d")       private val random = new Random()       private var pointer = -1   def getUserID() : String = {       pointer = pointer + 1    if(pointer >= users.length) {      pointer = 0      users(pointer)    } else {      users(pointer)    }  }   def click() : Double = {    random.nextInt(10)  }   // bin/kafka-topics.sh --zookeeper zk1:2181,zk2:2181,zk3:2181/kafka --create --topic user_events --replication-factor 2 --partitions 2  // bin/kafka-topics.sh --zookeeper zk1:2181,zk2:2181,zk3:2181/kafka --list  // bin/kafka-topics.sh --zookeeper zk1:2181,zk2:2181,zk3:2181/kafka --describe user_events  // bin/kafka-console-consumer.sh --zookeeper zk1:2181,zk2:2181,zk3:22181/kafka --topic test_json_basis_event --from-beginning  def main(args: Array[String]): Unit = {    val topic = "user_events"    val brokers = "10.10.4.126:9092,10.10.4.127:9092"    val props = new Properties()    props.put("metadata.broker.list", brokers)    props.put("serializer.class", "kafka.serializer.StringEncoder")       val kafkaConfig = new ProducerConfig(props)    val producer = new Producer[String, String](kafkaConfig)       while(true) {      // prepare event data      val event = new JSONObject()      event        .put("uid", getUserID)        .put("event_time", System.currentTimeMillis.toString)        .put("os_type", "Android")        .put("click_count", click)           // produce event message      producer.send(new KeyedMessage[String, String](topic, event.toString))      println("Message sent: " + event)           Thread.sleep(200)    }  }  }

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：

object UserClickCountAnalytics {  def main(args: Array[String]): Unit = {    var masterUrl = "local[1]"    if (args.length > 0) {      masterUrl = args(0)    }    // Create a StreamingContext with the given master URL    val conf = new SparkConf().setMaster(masterUrl).setAppName("UserClickCountStat")    val ssc = new StreamingContext(conf, Seconds(5))    // Kafka configurations    val topics = Set("user_events")    val brokers = "10.10.4.126:9092,10.10.4.127:9092"    val kafkaParams = Map[String, String](      "metadata.broker.list" -> brokers, "serializer.class" -> "kafka.serializer.StringEncoder")    val dbIndex = 1    val clickHashKey = "app::users::click"    // Create a direct stream    val kafkaStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](ssc, kafkaParams, topics)    val events = kafkaStream.flatMap(line => {      val data = JSONObject.fromObject(line._2)      Some(data)    })    // Compute user click times    val userClicks = events.map(x => (x.getString("uid"), x.getInt("click_count"))).reduceByKey(_ + _)    userClicks.foreachRDD(rdd => {      rdd.foreachPartition(partitionOfRecords => {        partitionOfRecords.foreach(pair => {          val uid = pair._1          val clickCount = pair._2          val jedis = RedisClient.pool.getResource          jedis.select(dbIndex)          jedis.hincrBy(clickHashKey, uid, clickCount)          RedisClient.pool.returnResource(jedis)        })      })    })    ssc.start()    ssc.awaitTermination()  }}

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：

object RedisClient extends Serializable {  val redisHost = "10.10.4.130"  val redisPort = 6379  val redisTimeout = 30000  lazy val pool = new JedisPool(new GenericObjectPoolConfig(), redisHost, redisPort, redisTimeout)  lazy val hook = new Thread {    override def run = {      println("Execute hook thread: " + this)      pool.destroy()    }  }  sys.addShutdownHook(hook.run)}

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：

  // lazy pool reference  lazy val pool = new JedisPool(new GenericObjectPoolConfig(), redisHost, redisPort, redisTimeout)  ...  partitionOfRecords.foreach(pair => {    val uid = pair._1    val clickCount = pair._2    val jedis = RedisClient.pool.getResource    jedis.select(dbIndex)    jedis.hincrBy(clickHashKey, uid, clickCount)    RedisClient.pool.returnResource(jedis)  })

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：

package org.shirdrn.spark.streamingimport org.apache.commons.pool2.impl.GenericObjectPoolConfigimport org.apache.spark.SparkConfimport org.apache.spark.streaming.Secondsimport org.apache.spark.streaming.StreamingContextimport org.apache.spark.streaming.dstream.DStream.toPairDStreamFunctionsimport org.apache.spark.streaming.kafka.KafkaUtilsimport kafka.serializer.StringDecoderimport net.sf.json.JSONObjectimport redis.clients.jedis.JedisPoolobject UserClickCountAnalytics {  def main(args: Array[String]): Unit = {    var masterUrl = "local[1]"    if (args.length > 0) {      masterUrl = args(0)    }    // Create a StreamingContext with the given master URL    val conf = new SparkConf().setMaster(masterUrl).setAppName("UserClickCountStat")    val ssc = new StreamingContext(conf, Seconds(5))    // Kafka configurations    val topics = Set("user_events")    val brokers = "10.10.4.126:9092,10.10.4.127:9092"    val kafkaParams = Map[String, String](      "metadata.broker.list" -> brokers, "serializer.class" -> "kafka.serializer.StringEncoder")    val dbIndex = 1    val clickHashKey = "app::users::click"    // Create a direct stream    val kafkaStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](ssc, kafkaParams, topics)    val events = kafkaStream.flatMap(line => {      val data = JSONObject.fromObject(line._2)      Some(data)    })    // Compute user click times    val userClicks = events.map(x => (x.getString("uid"), x.getInt("click_count"))).reduceByKey(_ + _)    userClicks.foreachRDD(rdd => {      rdd.foreachPartition(partitionOfRecords => {        partitionOfRecords.foreach(pair => {                   /**           * Internal Redis client for managing Redis connection {@link Jedis} based on {@link RedisPool}           */          object InternalRedisClient extends Serializable {                       @transient private var pool: JedisPool = null                       def makePool(redisHost: String, redisPort: Int, redisTimeout: Int,                maxTotal: Int, maxIdle: Int, minIdle: Int): Unit = {              makePool(redisHost, redisPort, redisTimeout, maxTotal, maxIdle, minIdle, true, false, 10000)               }                       def makePool(redisHost: String, redisPort: Int, redisTimeout: Int,                maxTotal: Int, maxIdle: Int, minIdle: Int, testOnBorrow: Boolean,                testOnReturn: Boolean, maxWaitMillis: Long): Unit = {              if(pool == null) {                   val poolConfig = new GenericObjectPoolConfig()                   poolConfig.setMaxTotal(maxTotal)                   poolConfig.setMaxIdle(maxIdle)                   poolConfig.setMinIdle(minIdle)                   poolConfig.setTestOnBorrow(testOnBorrow)                   poolConfig.setTestOnReturn(testOnReturn)                   poolConfig.setMaxWaitMillis(maxWaitMillis)                   pool = new JedisPool(poolConfig, redisHost, redisPort, redisTimeout)                                     val hook = new Thread{                        override def run = pool.destroy()                   }                   sys.addShutdownHook(hook.run)              }            }                       def getPool: JedisPool = {              assert(pool != null)              pool            }          }                   // Redis configurations          val maxTotal = 10          val maxIdle = 10          val minIdle = 1          val redisHost = "10.10.4.130"          val redisPort = 6379          val redisTimeout = 30000          val dbIndex = 1          InternalRedisClient.makePool(redisHost, redisPort, redisTimeout, maxTotal, maxIdle, minIdle)                   val uid = pair._1          val clickCount = pair._2          val jedis =InternalRedisClient.getPool.getResource          jedis.select(dbIndex)          jedis.hincrBy(clickHashKey, uid, clickCount)          InternalRedisClient.getPool.returnResource(jedis)        })      })    })    ssc.start()    ssc.awaitTermination()  }}

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：

cd /usr/local/spark./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：

127.0.0.1:6379[1]> HGETALL app::users::click1) "4A4D769EB9679C054DE81B973ED5D768"2) "7037"3) "8dfeb5aaafc027d89349ac9a20b3930f"4) "6992"5) "011BBF43B89BFBF266C865DF0397AA71"6) "7021"7) "97edfc08311c70143401745a03a50706"8) "6874"9) "d7f141563005d1b5d0d3dd30138f3f62"10) "7057"11) "a95f22eabc4fd4b580c011a3161a9d9d"12) "7092"13) "6b67c8c700427dee7552f81f3228c927"14) "7266"15) "f2a8474bf7bd94f0aabbd4cdd2c06dcf"16) "7188"17) "c8ee90aade1671a21336c721512b817a"18) "6950"19) "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：

<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"     xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">     <modelVersion>4.0.0</modelVersion>     <groupId>org.shirdrn.spark</groupId>     <artifactId>spark</artifactId>     <version>0.0.1-SNAPSHOT</version>     <dependencies>          <dependency>               <groupId>org.apache.spark</groupId>               <artifactId>spark-core_2.10</artifactId>               <version>1.3.0</version>          </dependency>          <dependency>               <groupId>org.apache.spark</groupId>               <artifactId>spark-streaming_2.10</artifactId>               <version>1.3.0</version>          </dependency>          <dependency>               <groupId>net.sf.json-lib</groupId>               <artifactId>json-lib</artifactId>               <version>2.3</version>          </dependency>          <dependency>               <groupId>org.apache.spark</groupId>               <artifactId>spark-streaming-kafka_2.10</artifactId>               <version>1.3.0</version>          </dependency>          <dependency>               <groupId>redis.clients</groupId>               <artifactId>jedis</artifactId>               <version>2.5.2</version>          </dependency>          <dependency>               <groupId>org.apache.commons</groupId>               <artifactId>commons-pool2</artifactId>               <version>2.2</version>          </dependency>     </dependencies>     <build>          <sourceDirectory>${basedir}/src/main/scala</sourceDirectory>          <testSourceDirectory>${basedir}/src/test/scala</testSourceDirectory>          <resources>               <resource>                    <directory>${basedir}/src/main/resources</directory>               </resource>          </resources>          <testResources>               <testResource>                    <directory>${basedir}/src/test/resources</directory>               </testResource>          </testResources>          <plugins>               <plugin>                    <artifactId>maven-compiler-plugin</artifactId>                    <version>3.1</version>                    <configuration>                         <source>1.6</source>                         <target>1.6</target>                    </configuration>               </plugin>               <plugin>                    <groupId>org.apache.maven.plugins</groupId>                    <artifactId>maven-shade-plugin</artifactId>                    <version>2.2</version>                    <configuration>                         <createDependencyReducedPom>true</createDependencyReducedPom>                    </configuration>                    <executions>                         <execution>                              <phase>package</phase>                              <goals>                                   <goal>shade</goal>                              </goals>                              <configuration>                                   <artifactSet>                                        <includes>                                             <include>*:*</include>                                        </includes>                                   </artifactSet>                                   <filters>                                        <filter>                                             <artifact>*:*</artifact>                                             <excludes>                                                  <exclude>META-INF/*.SF</exclude>                                                  <exclude>META-INF/*.DSA</exclude>                                                  <exclude>META-INF/*.RSA</exclude>                                             </excludes>                                        </filter>                                   </filters>                                   <transformers>                                        <transformer                                             implementation="org.apache.maven.plugins.shade.resource.ServicesResourceTransformer" />                                        <transformer                                             implementation="org.apache.maven.plugins.shade.resource.AppendingTransformer">                                             <resource>reference.conf</resource>                                        </transformer>                                        <transformer                                             implementation="org.apache.maven.plugins.shade.resource.DontIncludeResourceTransformer">                                             <resource>log4j.properties</resource>                                        </transformer>                                   </transformers>                              </configuration>                         </execution>                    </executions>               </plugin>          </plugins>     </build></project>

参考链接

• http://spark.apache.org/docs/1.3.0/index.html
• http://spark.apache.org/docs/1.3.0/cluster-overview.html
• http://spark.apache.org/docs/1.3.0/job-scheduling.html
• http://spark.apache.org/docs/1.3.0/streaming-programming-guide.html
• http://stackoverflow.com/questions/28006517/redis-on-sparktask-not-serializable