spark 骚操作实现高效处理kafka数据积压

一、  开篇

spark streaming消费kafka，大家都知道有两种方式，也是面试考基本功常问的：

1.基于receiver的机制。

这个是spark streaming最基本的方式，spark streaming的receiver会定时生成block，默认是200ms，然后每个批次生成blockrdd，分区数就是block数。架构如下：

 

2.direct API。

这种api就是spark streaming会每个批次生成一个kafkardd，然后kafkardd的分区数，由spark streaming消费的kafkatopic分区数决定。过程如下：

kafkardd与消费的kafka分区数的关系如下：

 

二.常见积压问题

kafka的producer生产数据到kafka，正常情况下，企业中应该是轮询或者随机，以保证kafka分区之间数据是均衡的。

在这个前提之下，一般情况下，假如针对你的数据量，kafka分区数设计合理。实时任务，如spark streaming或者flink，有没有长时间的停掉，那么一般不会有有积压。

消息积压的场景：

a.任务挂掉。比如，周五任务挂了，有没有写自动拉起脚本，周一早上才处理。那么spark streaming消费的数据相当于滞后两天。这个确实新手会遇到。

b.kafka分区数设少了。其实，kafka单分区生产消息的速度qps还是很高的，但是消费者由于业务逻辑复杂度的不同，会有不同的时间消耗，就会出现消费滞后的情况。

c.kafka消息的key不均匀，导致分区间数据不均衡。kafka生产消息支持指定key，用key携带写信息，但是key要均匀，否则会出现kafka的分区间数据不均衡。

上面三种积压情况，企业中很常见，那么如何处理数据积压呢？

 

一般解决办法，针对性的有以下几种：

a.任务挂掉导致的消费滞后。

任务启动从最新的消费，历史数据采用离线修补。

最重要的是故障拉起脚本要有，还要就是实时框架异常处理能力要强，避免数据不规范导致的不能拉起。

 

b.任务挂掉导致的消费滞后。

任务启动从上次提交处消费处理，但是要增加任务的处理能力，比如增加资源，让任务能尽可能的赶上消费最新数据。

 

c.kafka分区少了。

假设数据量大，直接增加kafka分区是根本，但是也可以对kafkardd进行repartition，增加一次shuffle。

 

d.个别分区不均衡。

可以生产者处可以给key加随机后缀，使其均衡。也可以对kafkardd进行repartition。

 

三、骚操作

其实，以上都不是大家想要的，因为spark streaming生产的kafkardd的分区数，完全可以是大于kakfa分区数的。

其实，经常阅读源码的朋友应该了解，rdd的分区数，是由rdd的getPartitions函数决定。比如kafkardd的getPartitions方法实现如下：

  override def getPartitions: Array[Partition] = {    offsetRanges.zipWithIndex.map { case (o, i) =>        new KafkaRDDPartition(i, o.topic, o.partition, o.fromOffset, o.untilOffset)    }.toArray  }

offsetRanges其实就是一个数组：

    val offsetRanges: Array[OffsetRange],

OffsetRange存储一个kafka分区元数据及其offset范围，然后进行map操作，转化为KafkaRDDPartition。实际上，我们可以在这里下手，将map改为flatmap，然后对offsetrange的范围进行拆分，但是这个会引发一个问题，浪尖在这里就不赘述了，你可以测测。

 

其实，我们可以在offsetRange生成的时候做下转换。位置是DirectKafkaInputDstream的compute方法。具体实现：

首先，浪尖实现中增加了三个配置，分别是：

是否开启自动重分区分区sparkConf.set("enable.auto.repartition","true")避免不必要的重分区操作，增加个阈值，只有该批次要消费的kafka的分区内数据大于该阈值才进行拆分sparkConf.set("per.partition.offsetrange.threshold","300")拆分后，每个kafkardd 的分区数据量。sparkConf.set("per.partition.after.partition.size","100")

然后，在DirectKafkaInputDstream里获取着三个配置，方法如下：

val repartitionStep = _ssc.conf.getInt("per.partition.offsetrange.size",1000)val repartitionThreshold = _ssc.conf.getLong("per.partition.offsetrange.threshold",1000)val enableRepartition = _ssc.conf.getBoolean("enable.auto.repartition",false)

对offsetRanges生成的过程进行改造，只需要增加7行源码即可。

val offsetRanges = untilOffsets.flatMap{ case (tp, uo) =>
  val fo = currentOffsets(tp)
  val delta = uo -fo
  if(enableRepartition&&(repartitionThreshold < delta)){
    val offsets = fo to uo by repartitionStep
    offsets.map(each =>{
      val tmpOffset = each + repartitionStep
      OffsetRange(tp.topic, tp.partition, each, Math.min(tmpOffset,uo))
    }).toList
  }else{
    Array(OffsetRange(tp.topic, tp.partition, fo, uo))
  }
}

 

测试的主函数如下：

import bigdata.spark.config.Config
import org.apache.kafka.common.serialization.StringDeserializer
import org.apache.spark.{SparkConf, TaskContext}
import org.apache.spark.streaming.kafka010.{ConsumerStrategies, HasOffsetRanges, KafkaUtils, LocationStrategies}
import org.apache.spark.streaming.{Seconds, StreamingContext}

/*
1. 直接消费新数据，数据离线修补。
2. repartition(10---->100),给足够多的资源，以便任务逐渐消除滞后的数据。
3. directDstream api 生成的是kafkardd，该rdd与kafka分区一一对应。
 */
object kafka010Repartition {

   def main(args: Array[String]) {
      //    创建一个批处理时间是2s的context 要增加环境变量
      val sparkConf = new SparkConf().setAppName(this.getClass.getName).setMaster("local[*]")
     sparkConf.set("enable.auto.repartition","true")
     sparkConf.set("per.partition.offsetrange.threshold","300")
     sparkConf.set("per.partition.offsetrange.step","100")

     val ssc = new StreamingContext(sparkConf, Seconds(5))
      //    使用broker和topic创建DirectStream
      val topicsSet = "test1".split(",").toSet
      val kafkaParams = Map[String, Object]("bootstrap.servers" -> Config.kafkaHost,
        "key.deserializer"->classOf[StringDeserializer],
        "value.deserializer"-> classOf[StringDeserializer],
        "group.id"->"test1",
        "auto.offset.reset" -> "earliest",
        "enable.auto.commit"->(false: java.lang.Boolean))

      val messages = KafkaUtils.createDirectStream[String, String](
        ssc,
        LocationStrategies.PreferConsistent,
        ConsumerStrategies.Subscribe[String, String](topicsSet, kafkaParams))

      messages.transform(rdd=>{
        println("partition.size : "+rdd.getNumPartitions)
        rdd
      }).foreachRDD(rdd=>{
//        rdd.foreachPartition(each=>println(111))
        val offsetRanges = rdd.asInstanceOf[HasOffsetRanges].offsetRanges
        offsetRanges.foreach(o=>{
          println(s"${o.topic} ${o.partition} ${o.fromOffset} ${o.untilOffset}")
        })
      })

     ssc.start()
     ssc.awaitTermination()
    }

}

结果如下：

partition.size : 67
test1 0 447 547
test1 0 547 647
test1 0 647 747
test1 0 747 847
test1 0 847 947
test1 0 947 1047
test1 0 1047 1147
test1 0 1147 1247
test1 0 1247 1347
test1 0 1347 1447
test1 0 1447 1547
test1 0 1547 1647
test1 0 1647 1747
test1 0 1747 1847
test1 0 1847 1947
test1 0 1947 2047
test1 0 2047 2147
test1 0 2147 2247
test1 0 2247 2347
test1 0 2347 2447
test1 0 2447 2547
test1 0 2547 2647
test1 0 2647 2747
test1 0 2747 2847
test1 0 2847 2947
test1 0 2947 3047
test1 0 3047 3147
test1 0 3147 3247
test1 0 3247 3347