spark streaming 监控方案

SparkStreaming监控从spark2.2.0版本开始支持，目前不支持2.1.0

调研背景介绍

业务反应sparkstreaming任务数据处理存在堆积情况，但是仍然会不断从kafka拉取数据，针对这种情况调研，给出解决的方案

问题现象描述

如果批处理时间始终大于批处理间隔或者队列等待延时持续增加，表明系统无法在批处理间隔内处理完毕消息，通过抽查sparkstreaming任务，发现部分任务开启了背压参数，部分任务未开启。
开启的任务参数如下：

appId=application_1535616282827_0003
kafka连接方式为receiver方式
spark.streaming.backpressure.enabled=true
spark.streaming.backpressure.initialRate=5000
spark.streaming.kafka.maxRatePerPartition=2000

spark反压介绍

spark streaming任务在处理不断流入的数据是通过每间隔一段时间即（batch interval），将这段时间内流入的数据积累为一个batch,然后对这个batch的数据作为DAG的输入RDD提交新的job运行。
当一个batch处理所需的时间大于批周期(batch interval)时，意味着数据处理速度跟不上数据的接收速度，此时在数据接收端即Receiver(zk方式receiver运行在driver上，direct方式运行在executor)就会累积数据，因为数据时存储在spark中是由blockmanager管理的，存储方式采用MEMORY_ONLY模式就会导致OOM,采用MEMORY_AND_DISK多余的数据溢出到磁盘会增加数据读写时间，增加延迟。为了解决这一问题，spark在1.5版本后加入反压机制(back-pressure),根据前一批次数据的处理情况，动态、自动的调整后续数据的摄入量。

反压参数解释

spark.streaming.backpressure.enabled	true 是否开启反压。

spark.streaming.backpressure.initialRate 5000 反压机制时初始化的摄入量，该参数只对receiver模式起作用，并不适用于direct模式

spark.streaming.kafka.maxRatePerPartition 2000 每次作业中每个，Kafka分区最多读取的记录条数。可以防止第一个批次流量出现过载情况，也可以防止批次处理出现数据流量过载情况

建议所有streaming任务都开启反压机制

sparkstreaming任务监控

界面监控

在spark任务界面上提供了‘Streaming’选项卡，可以显示有关receiver和已完成的batch，队列延迟等情况。

主要指标：

1.Processing Time 处理每批数据的时间

2.Scheduling Delay 批次等待处理的延迟时间

程序监控

如何通过编程的方式获取某一个任务的执行情况等，下面通过解释sparkstreaming wordcount的方式解释几个重要指标的采集。

wc程序代码：

  def main(args: Array[String]): Unit = {

    // uncomment these 2 lines if you want to see only your logs
    // Logger.getLogger("org").setLevel(Level.OFF)
    // Logger.getLogger("akka").setLevel(Level.OFF)

    ApplicationProperties.parse(args.toList)

    val sparkConf = new SparkConf().setMaster(ApplicationProperties.sparkMaster).setAppName(ApplicationProperties.appName)

    val ssc = new StreamingContext(sparkConf, Seconds(ApplicationProperties.batchInterval))
    
    //添加监控
    ssc.addStreamingListener(new SparkMonitoringListener)

    // Create a DStream that will connect to hostname:port, like localhost:9999
    val lines = ssc.socketTextStream(ApplicationProperties.socketStreamHost, ApplicationProperties.socketStreamPort)

    // Split each line into words
    val words = lines.flatMap(_.split(" "))

    // Count each word in each batch
    val pairs = words.map(word => (word, 1))
    val wordCounts = pairs.reduceByKey(_ + _)

    // Print the first ten elements of each RDD generated in this DStream to the console
    wordCounts.print()

    ssc.start()             // Start the computation
    ssc.awaitTermination()  // Wait for the computation to terminate
  }

通过在程序中设置listener实现对应用的监控，监控类实现如下：

case class SparkMonitoringListener() extends StreamingListener {

  override def onBatchStarted(batchStarted: StreamingListenerBatchStarted): Unit = {
    println(">>> Batch started...records in batch = " + batchStarted.batchInfo.numRecords)
  }

  override def onBatchCompleted(batchCompleted: StreamingListenerBatchCompleted): Unit = {
    val start = batchCompleted.batchInfo.processingStartTime.get
    val end = batchCompleted.batchInfo.processingEndTime.get
    val batchTime = batchCompleted.batchInfo.batchTime
    val numRecords = batchCompleted.batchInfo.numRecords
    println("batch finished", start, end, end-start, batchTime.toString(), numRecords)
  }
}

通过继承StreamingListener，实现内部onBatchStarted，onBatchCompleted等方法收集适合自己业务的相关参数或告警设置。StreamingListener API可以参考：https://spark.apache.org/docs/latest/api/scala/index.html#org.apache.spark.streaming.scheduler.StreamingListener

API监控

前提：
SparkStreaming restAPI监控从spark2.2.0版本开始支持，目前不支持2.1.0
接口说明介绍：https://spark.apache.org/docs/2.2.0/monitoring.html#rest-api
前缀地址为http://{rm1host}:8088/proxy/{appid}/api/v1/