Spark Structured Streaming（一）基础

1. 流处理的场景

我们在定义流处理时，会认为它处理的是对无止境的数据集的增量处理。不过对于这个定义来说，很难去与一些实际场景关联起来。在我们讨论流处理的优点与缺点时，先介绍一下流处理的常用场景。

• 通知与警报：可能流应用最明显的例子就是通知（notification）与警报（alerting）。
• 实时报道：许多公司会使用流系统来跑一个实时的、让每个员工都可以看到的dashboard。例如，一个报告实时游客的dashboard
• 增量ETL：其中一个最常见的流应用就是：减少各个公司在抽取数据到一个数据仓库中时都必须忍受的延迟。Spark 批处理经常用于ETL的工作负载，将原始数据转换成一个结构化的格式，例如Parquet，使得后续的query更高效。使用structured streaming，这些jobs可以与新数据在秒级时间内结合，让下游用户可以更快地query这些数据。在这个使用场景下，非常关键的一点是：数据在处理时必须满足exactly-once，并且在一种fault-tolerant 形式下。我们不希望任何数据在被放入数据仓库前丢失，也不希望任何数据被放入两次。还需要满足的一点是，流系统在对数据仓库执行update时，必须是事物地，这样才不会导致运行其上的query只访问到部分写入的数据。
• 实时更新数据：例如有一个dashboard给用户query数据，流系统可以保持数据的最新版本。一般在这种场景下需要流应用能对一个key-value store（或是其他系统）执行增量更新，作为同步。一般还需要这些更新是事务的，如ETL里一样，防止应用崩溃。
• 实时决策：例如信用卡欺诈，需要基于历史的状态，来判断信用卡的transaction 是否涉嫌欺诈
• 在线机器学习：类似于实时决策，不过实时决策是hard-code 规则，而在线机器学习是使用持续的数据更新模型，系统更为复杂。一般涉还涉及到多个用户、与static数据集的join、与机器学习库集成等等。

 

2. Continues Vs Micro-Batch Execution

Continues 是一次处理一个record。

优点是：提供尽可能低的latency（如果整体input rate 相对较低的话）

缺点是：吞吐（throughput）不够高，因为在处理每个record时，会引入额外的overhead（例如调用操作系统发送网络包到下游）

限制是：operators的拓扑一般是固定的，在runtime时不能被拿走，除非停止整个系统，否则会引入负载不均衡的问题。

 

Micro-batch系统是等待聚集一个小的batch之后（例如500ms的数据），再使用分布式的tasks对每个batch并行处理。

优点是：

• 对每个节点，都能达到高吞吐，并且还能执行批处理中的优化（例如向量化处理），并且不会引入额外的per-record overhead。所以它可以使用更少的节点处理相同速率的数据。
• 还能使用动态的load balance 技术，处理变化的负载（例如增加节点或减少节点）。

缺点是：下游应用会有更高的延时（latency），因为需要等待一个micro-batch的数据聚集。

 

在实际应用中，如果一个流应用是非常大规模的、甚至需要做分布式计算的，则倾向于高吞吐优先。

在选择两种模式时，主要的选择因素是：latency以及total costs of operation（TCO）。Micro-batch一般可以完美的deliver latencies 100ms 到 1s左右（取决于 application）。在达到这种延迟时，一般也需要更少的节点达到与continues模式同样的吞吐，所以它的运作成本也相对更低（包括更低的维护成本，因为节点更少）。若是需要更低的延时，则应考虑continues processing system；或者使用micro-batch系统与一个fast serving layer 结合，以提供低延时的queries（例如，将数据输出到MySQL或者Cassandra，它们可以为客户端提供milliseconds级别的服务）

 

3. Structured Streaming基础

Structured Streaming 是基于Spark SQL 引擎而构建的流处理框架，它直接使用了已有的Spark structured API（DataFrames，Datasets，以及SQL）。

Structured Streaming的核心思想是：将流数据视为一个数据持续追加的表。然后job会定期检查新的输入数据，处理，更新一些内部状态（存储在一个state store中），并更新它的结果。它的API很重要的一个特点是：我们并不需要更改代码来分别batch或是stream处理，仅需要指定query是运行为batch还是streaming模式即可。在Structured Streaming内部会自动决定如何增量处理我们的query，例如：在新数据到 达时，高效地更新它的结果，并且会议fault-tolerant的方式运行。

 

 

简单地说，Structured Streaming就是”your DataFrame，but streaming“。

 

4. 核心概念

1. Transformation 与 Action：Transformation 与 Spark中的常见transformation 差不多，而对于Action，在Structured Streaming中仅有一个action，就是starting a stream，它会开始持续运行并输出结果。

 

2. Input Sources

Structured Streaming 支持多种输入源，对于Spark 2.2 版本来说，支持Kafka、位于分布式文件系统（例如HDFS、S3）上的文件（Spark仅持续读取一个文件夹中的新文件）、socket source（用于测试）

 

3. Sinks

Sinks 指定的是流输出的目的地。Sinks和处理引擎同时也负责可靠地追踪数据完整的处理过程。下面是Spark 2.2 支持的output sinks：

• Kafaka
• 几乎任何文件格式
• 一个foreach sink，用于运行测试计算输出
• Console sink（用于测试）
• Memory sink（用于debug）

 

4. 输出模式（output modes）

为Structured Streaming job 定义了sink后，仅完成了一半的输出配置。我们还需要定义Spark如何向sink写入数据。例如，我们是想要追加新数据？还是根据输入的数据流更新已有数据（例如更新一个给定web page 的点击量）？我们需要每次都完整地重写结果集吗（例如，使用计算出来的完整点击量，覆盖之前的文件内容）？诸如此类，我们需要定义一个输出模式（output mode），类似于static Structured APIs 中的output modes。

支持的输出模式有：

• Append：仅追加新纪录到output sink中
• Update：更新有变动的records
• Complete：重写整个输出

这里很重要的一点是，对于特定queries、以及特定sinks，仅支持特定的output modes。例如，假设我们的job仅在stream上执行一个map操作。输出的数据则会随着输入的数据不断到来而趋近与无穷，此时使用Complete 则是不合理的，因为它每次都会将所有数据写入到一个新文件中。而若是我们的job执行的是一个聚合操作，仅聚合数据到一个有限数量的keys中，则Complete和Update就是合适的，但是Append就不合适，因为有些key的值需要随时间更新。

 

5. 触发器（Triggers）

Output modes 定义的是输入如何输出，而triggers定义的是数据何时输出，也就是说，Structured Streaming什么时候应该检查新输入数据并更新它的结果。默认情况下，Structured Streaming会在完成处理了上一组输入数据后，立即look for 新的输入records。不过，若是sink是一组文件，则这个行为会导致写入大量的小的输出文件。所以，Spark 也支持基于处理时间来触发trigger（仅以固定时间频率look for 新数据）

 

6. Event-Time Processing

Structured Streaming 也支持event-time processing（也就是基于record内自带的时间戳处理乱序数据）

 

7. Event-Time 数据

Event-time 表示的是嵌入到数据中的time字段。也就是说，在处理时并非按照record到达的时间，而是record生成的时间，因为records可能会由于网络等原因造成乱序到达。在Structured Streaming中表示event-time非常简单，因为这个系统是将输入数据视为一个table，所以event-time就是table中的一个字段而已。所以应用可以执行grouping、aggregating、以及windowing，使用标准SQL操作符即可。不过在Structured Streaming 内部，它在知道了一个column是一个event-time 字段后，会执行一些特别的actions，包括优化query执行、或是决定什么时候可以放心的忽略一个time window有关的state。大部分这些actions由watermarks控制

 

8. Watermarks

Watermarks是流系统里的一个功能，可以允许我们指定how late they expect to see data in event time。例如，在一个处理手机终端日志的系统中，我们可能会预期日志能达到最高30分钟的延迟到达（由于上传中的delay）。对于支持event time 的系统，包括Structured Streaming，一般会允许设置watermarks，用来限制它们需要remember old data的时长。Watermarks 也可以用于控制什么时候为一个特定的event time window输出一个结果（例如等待直到它的watermark过去后）。