周期性清除Spark Streaming流状态的方法

柔光的暖阳◎ 2022-12-10 07:16 134阅读 0赞

在Spark Streaming程序中，我们经常需要使用有状态的流来统计一些累积性的指标，比如各个商品的PV。简单的代码描述如下，使用mapWithState()算子：

val productPvStream = stream.mapPartitions(records => { 
        var result = new ListBuffer[(String, Int)]
          for (record <- records) { 
            result += Tuple2(record.key(), 1)
          }
        result.iterator
      }).reduceByKey(_ + _).mapWithState(
        StateSpec.function((productId: String, pv: Option[Int], state: State[Int]) => { val sum = pv.getOrElse(0) + state.getOption().getOrElse(0) state.update(sum) (productId, sum) })).stateSnapshots()

现在的问题是，PV并不是一直累加的，而是每天归零，重新统计数据。要达到在凌晨0点清除状态的目的，有以下两种方法。

### **编写脚本重启Streaming程序** ###

用crontab、Azkaban等在凌晨0点调度执行下面的Shell脚本：

stream_app_name='com.xyz.streaming.MallForwardStreaming'
    cnt=`ps aux | grep SparkSubmit | grep ${ stream_app_name} | wc -l`
    
    if [ ${cnt} -eq 1 ]; then
      pid=`ps aux | grep SparkSubmit | grep ${ stream_app_name} | awk '{print $2}'`
      kill -9 ${pid}
      sleep 20
      cnt=`ps aux | grep SparkSubmit | grep ${ stream_app_name} | wc -l`
      if [ ${cnt} -eq 0 ]; then
        nohup sh /path/to/streaming/bin/mall_forward.sh > /path/to/streaming/logs/mall_forward.log 2>&1
      fi
    fi

这种方式最简单，也不需要对程序本身做任何改动。但随着同时运行的Streaming任务越来越多，就会显得越来越累赘了。

### **给StreamingContext设置超时** ###

在程序启动之前，先计算出当前时间点距离第二天凌晨0点的毫秒数：

def msTillTomorrow = { 
      val now = new Date()
      val tomorrow = new Date(now.getYear, now.getMonth, now.getDate + 1)
      tomorrow.getTime - now.getTime
    }

然后将Streaming程序的主要逻辑写在while(true)循环中，并且不像平常一样调用StreamingContext.awaitTermination()方法，而改用awaitTerminationOrTimeout()方法，即：

while (true) { 
        val ssc = new StreamingContext(sc, Seconds(BATCH_INTERVAL))
        ssc.checkpoint(CHECKPOINT_DIR)
    
        // ...处理逻辑...
    
        ssc.start()
        ssc.awaitTerminationOrTimeout(msTillTomorrow)
        ssc.stop(false, true)
        Thread.sleep(BATCH_INTERVAL * 1000)
      }

在经过msTillTomorrow毫秒之后，StreamingContext就会超时，再调用其stop()方法（注意两个参数，stopSparkContext表示是否停止关联的SparkContext，stopGracefully表示是否优雅停止），就可以停止并重启StreamingContext。

以上两种方法都是仍然采用Spark Streaming的机制进行状态计算的。如果其他条件允许的话，我们还可以抛弃mapWithState()，直接借助外部存储**自己维护状态**。比如将Redis的Key设计为product\_pv:\[product\_id\]:\[date\]，然后在Spark Streaming的每个批次中使用incrby指令，就能方便地统计PV了，不必考虑定时的问题。