Spark推测执行解决SparkStreaming任务task卡死问题

背景：测试环境运行一个SparkStreaming任务，yarn-cluster模式，duration为5分钟一个批次，每个批次平均2000w条records，并行度为60

资源配置为：

${SPARK_HOME}/bin/spark-submit --name ${jobname} --driver-cores 3 --driver-memory 6g --num-executors 24 --executor-memory 6g --executor-cores 2

问题：
观察了前几个批次的任务，运行正常，效率也能赶得上批次，平均每个批次的task都在4分钟以内处理完了，结果数据也没问题，心想应该没问题了，就下班了。结果第二天上班后再观察，发现数据延迟了几个小时，任务卡在了某个批次，再看这个批次的详细情况，发现除了运行在某台服务器上的task还在running，其他的task都已经完成了，而这台服务器上的task已经running了几个小时了...

尝试解决问题：
首先登陆这台服务器查看yarn的container日志，并没有发现ERROR，再看了看这台服务器的资源，cpu和内存使用情况，也是正常的！顿时有点摸不着头脑，没有报错，任务就卡在那儿了。

重启大法：
重启大法好，秉承着重启解决一切问题的思想，我把SparkStreaming任务重启了，万一是偶然现象呢。
结果没过两个小时就被打脸了，同样的问题又出现了。

查看日志：
没有ERROR日志，那就看看INFO日志，任务在哪个环节卡住的，结果发现了以下日志内容

INFO executor.Executor: Finished task 51.0 in stage 148.0 (TID 8931). 903 bytes result sent to driver
INFO storage.BlockManager: Dropping broadcast blocks older than 1541581868061
INFO util.MetadataCleaner: Ran metadata cleaner for BROADCAST_VARS
INFO storage.BlockManager: Dropping non broadcast blocks older than 1541581868066
INFO util.MetadataCleaner: Ran metadata cleaner for BLOCK_MANAGER
INFO storage.BlockManager: Dropping broadcast blocks older than 1541582048061
INFO util.MetadataCleaner: Ran metadata cleaner for BROADCAST_VARS
INFO storage.BlockManager: Dropping non broadcast blocks older than 1541582048066
INFO util.MetadataCleaner: Ran metadata cleaner for BLOCK_MANAGER
INFO storage.BlockManager: Dropping broadcast blocks older than 1541582228061
...

在卡死的服务器的yarn stderr日志中，卡死批次的时间点找到以上日志内容，每三分钟出现一次，正常的日志内容应该是如下所示：

INFO executor.Executor: Finished task 28.0 in stage 145.0 (TID 8728). 1852 bytes result sent to driver
INFO storage.BlockManager: Dropping broadcast blocks older than 1541581328061
INFO storage.BlockManager: Dropped block broadcast_133_piece0
INFO storage.BlockManager: Dropping non broadcast blocks older than 1541581328066
INFO storage.BlockManager: Dropped block broadcast_133
INFO util.MetadataCleaner: Ran metadata cleaner for BLOCK_MANAGER
INFO util.MetadataCleaner: Ran metadata cleaner for BROADCAST_VARS
INFO output.FileOutputCommitter: Saved output of task 'attempt_201811071730_0218_r_000037_0' to hdfs://xxxxxxx/xxxxxxx/log/_temporary/0/task_201811071730_0218_r_000037
INFO executor.Executor: Finished task 37.0 in stage 145.0 (TID 8737). 1852 bytes result sent to driver
INFO output.FileOutputCommitter: Saved output of task 'attempt_201811071730_0218_r_000058_0' to hdfs://xxxxxxx/xxxxxxx/log/_temporary/0/task_201811071730_0218_r_000058
INFO executor.Executor: Finished task 58.0 in stage 145.0 (TID 8758). 1852 bytes result sent to driver
INFO storage.BlockManager: Removing RDD 213

MetadataCleaner用于定期清理persist的RDD缓存和stage task中产生的元数据，实质上是一个TimerTask实现的定时器，其中BLOCK_MANAGER和BROADCAST_VARS属于MetadataCleanerType枚举类的其中两个元数据类别，代表blockmanager中非broadcast的元数据部分和broadcast的元数据部分。

但是搞不懂为什么会一直重复的在清理，导致task卡死，查阅了网上各种文档也没有类似的问题解决方法。

于是在想有没有办法能够跳过这个task或者让这个task重启，最后想到了Spark的推测执行。
Spark推测执行就是适用于个别task比其他的task慢的情况，当某些个task特别慢的时候（满足条件），Spark就重启一个task处理同样的一份数据，谁先处理好就用谁的数据，把另外一个task杀掉，正好可以解决我的问题。

配置推测执行：
sparkConf.set("spark.speculation", "true")
sparkConf.set("spark.speculation.interval", "300s")
sparkConf.set("spark.speculation.quantile","0.9")

spark.speculation设置为true表示打开推测执行功能
spark.speculation.interval表示检测周期，spark会开启一个线程来检测是否需要推测执行
spark.speculation.quantile表示阈值，设为0.9表示该批次所有的task有90%执行完成即对剩余的task执行推测执行
spark.speculation.multiplier默认值为1.5，表示慢的task执行时间比完成的task平均时间多耗费1.5倍开启推测执行

这里把检测周期设为5分钟是为了防止资源浪费，过了批次时间之后再检测是否有卡死的task，毕竟task卡死是偶尔出现，当卡死情况出现时，是个别几个task出现问题，不会超过60个task总数的10%，所以把阈值设为0.9，这样设置不会在正常批次开启推测执行，从而节约了资源。

总结：
通过巧妙的设置推测执行，这个问题暂时被我绕开了，等有时间一定会研究MetadataCleaner的源码，尝试正面解决问题，立个flag。