经过WebUI查看Structured Streaming做业统计信息

做者：余根茂，阿里巴巴计算平台事业部EMR团队的技术专家，参与了Hadoop，Spark，Kafka等开源项目的研发工做。目前主要专一于EMR流式计算产品的研发工做。

1. 前言

从EMR-3.18.1版本开始，EMR将提供Spark Streaming SQL预览版功能。本次做为新特性的一部分，EMR将扩展示有Spark WebUI，支持Structured Streaming Query的统计信息查看。

2. 功能介绍

2.1 Query列表

咱们在现有Spark WebUI上新增了streamingsql Tab，用于展现当前做业中进行中以及完成的Streaming Query。

URL地址：http://${baseUrl}/streamingsql

• 
  

• 
  

• Active Streaming Queries：当前正在运行的query

• Completed Streaming Queries：已完成的query，包括结束的和失败的query

	说明
Query Name	查询Name，经过“SET streaming.query.name=${QUERY_NAME}”指定。
Status	当前运行状态，包括RUNNING，FAILED和FINISHED。
Id	Query ID，保存到checkpoint中，屡次运行同一个query， id保持不变。
Run ID	Query Run ID，每次从新运行query，都会从新生成一个Run ID。
Submit Time	当前Query提交执行的时间。
Duration	当前Query运行时间。
Avg Input PerSec	最近"spark.sql.streaming.numRecentProgressUpdates"个批次的平均数据输入速率。默认最近100个批次统计信息。
Avg Process PerSec	最近"spark.sql.streaming.numRecentProgressUpdates"个批次的平均数据处理速率。默认最近100个批次统计信息。
Total Input Rows	最近"spark.sql.streaming.numRecentProgressUpdates"个批次的数据条数总和，注意不是Query运行期间的数据条数总和。默认最近100个批次统计信息。
Last Batch ID	最近一次完成的Batch ID。
Last Progress	最近一次批次的执行信息。
ERROR	若是Query失败，展现摘要错误信息。

支持在界面上kill某个query。

kill以后状态变为“FINISHED”：

2.2 Query统计详情

经过点击Query的RunID，能够查看当前Query的运行统计信息，包括：Input Rate，Process Rate，Input Rows的时序变化，以及每一个批次的Duration堆栈图，包括WalCommit，QueryPlanning，GetOffset，GetBatch以及AddBatch。

URL地址：http://${baseUrl}/streamingsql/statistics?id=9d7e9076-f96a-4d19-9f82-460b5af57daa

咱们能够查看任意时间的Batch的各个执行阶段的时间消耗。

一样的，这里将只会展现“spark.sql.streaming.numRecentProgressUpdates”个Batch的统计信息。若是须要查看更长周期内的统计信息，能够设置“spark.sql.streaming.numRecentProgressUpdates”为更大值。须要注意的是，这会带来必定的内存开销。

3. 小结

以上简单演示了Structured Streaming Query的管理和统计信息查看功能。当前Spark Streaming SQL处于预览阶段，咱们将在UI上集成更多有用的信息，方便你们查看和监控做业的运行状态。

本文分享自微信公众号 - Apache Spark技术交流社区（E-MapReduce_Spark）。
若有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一块儿分享。