Spark Streaming的优化之路——从Receiver到Direct模式

          做者：个推数据研发工程师 学长

1 业务背景

随着大数据的快速发展，业务场景愈来愈复杂，离线式的批处理框架MapReduce已经不能知足业务，大量的场景须要实时的数据处理结果来进行分析、决策。Spark Streaming是一种分布式的大数据实时计算框架，他提供了动态的，高吞吐量的，可容错的流式数据处理，不只能够实现用户行为分析，还能在金融、舆情分析、网络监控等方面发挥做用。个推开发者服务——消息推送“应景推送”正是应用了Spark Streaming技术，基于大数据分析人群属性，同时利用LBS地理围栏技术，实时触发精准消息推送，实现用户的精细化运营。此外，个推在应用Spark Streaming作实时处理kafka数据时，采用Direct模式代替Receiver模式的手段，实现了资源优化和程序稳定性提高。

本文将从Spark Streaming获取kafka数据的两种模式入手，结合个推实践，带你解读Receiver和Direct模式的原理和特色，以及从Receiver模式到Direct模式的优化对比。  

2 两种模式的原理和区别

Receiver模式

1. Receiver模式下的运行架构

• InputDStream: 从流数据源接收的输入数据。
• Receiver：负责接收数据流，并将数据写到本地。
• Streaming Context：表明SparkStreaming，负责Streaming层面的任务调度，生成jobs发送到Spark engine处理。
• Spark Context: 表明Spark Core，负责批处理层面的任务调度，真正执行job的Spark engine。

2. Receiver从kafka拉取数据的过程

该模式下：

• 在executor上会有receiver从kafka接收数据并存储在Spark executor中，在到了batch时间后触发job去处理接收到的数据，1个receiver占用1个core；
• 为了避免丢数据须要开启WAL机制，这会将receiver接收到的数据写一份备份到第三方系统上（如：HDFS）；
• receiver内部使用kafka High Level API去消费数据及自动更新offset。  

Direct模式

1. Direct模式下的运行架构

与receiver模式相似，不一样在于executor中没有receiver组件，从kafka拉去数据的方式不一样。

2. Direct从kafka拉取数据的过程

  该模式下：

• 没有receiver，无需额外的core用于不停地接收数据，而是按期查询kafka中的每一个partition的最新的offset，每一个批次拉取上次处理的offset和当前查询的offset的范围的数据进行处理；
• 为了避免丢数据，无需将数据备份落地，而只须要手动保存offset便可；
• 内部使用kafka simple Level API去消费数据, 须要手动维护offset，kafka zk上不会自动更新offset。  

Receiver与Direct模式的区别

1. 前者在executor中有Receiver接受数据，而且1个Receiver占用一个core；然后者无Receiver，因此不会暂用core；  
2. 前者InputDStream的分区是 num_receiver *batchInterval/blockInteral，后者的分区数是kafka topic partition的数量。Receiver模式下num_receiver的设置不合理会影响性能或形成资源浪费；若是设置过小，并行度不够，整个链路上接收数据将是瓶颈；若是设置太多，则会浪费资源；  
3. 前者使用zookeeper来维护consumer的偏移量，然后者须要本身维护偏移量；  
4. 为了保证不丢失数据，前者须要开启WAL机制，然后者不须要，只须要在程序中成功消费完数据后再更新偏移量便可。  

3 Receiver改形成Direct模式

个推使用Spark Streaming作实时处理kafka数据，先前使用的是receiver模式；

receiver有如下特色：

1. receiver模式下，每一个receiver须要单独占用一个core；
2. 为了保证不丢失数据，须要开启WAL机制，使用checkpoint保存状态；
3. 当receiver接受数据速率大于处理数据速率，致使数据积压，最终可能会致使程序挂掉。

因为以上特色，receiver模式下会形成必定的资源浪费；使用checkpoint保存状态, 若是须要升级程序，则会致使checkpoint没法使用；第3点receiver模式下会致使程序不太稳定；而且若是设置receiver数量不合理也会形成性能瓶颈在receiver。为了优化资源和程序稳定性，应将receiver模式改形成direct模式。

修改方式以下：

1. 修改InputDStream的建立  

将receiver的：

val kafkaStream = KafkaUtils.createStream(streamingContext,
     [ZK quorum], [consumer group id], [per-topic number of Kafka partitions to consume])

改为direct的：

val directKafkaStream = KafkaUtils.createDirectStream[
     [key class], [value class], [key decoder class], [value decoder class] ](
     streamingContext, [map of Kafka parameters], [set of topics to consume])

  2. 手动维护offset  

receiver模式代码：

（receiver模式不须要手动维护offset，而是内部经过kafka consumer high level API 提交到kafka/zk保存）

kafkaStream.map {
           ...
 }.foreachRDD { rdd =>
    // 数据处理
    doCompute(rdd)
 }

direct模式代码：

directKafkaStream.map {
           ...
 }.foreachRDD { rdd =>
    // 获取当前rdd数据对应的offset
    val offsetRanges = rdd.asInstanceOf[HasOffsetRanges].offsetRanges
    // 数据处理
    doCompute(rdd)
    // 本身实现保存offset
    commitOffsets(offsetRanges)
 }

4 其余优化点

  1. 在receiver模式下：

• 拆分InputDStream，增长Receiver，从而增长接收数据的并行度；
• 调整blockInterval，适当减少，增长task数量，从而增长并行度（在core的数量>task数量的状况下）；
• 若是开启了WAL机制，数据的存储级别设置为MOMERY_AND_DISK_SER。

2. 数据序列化使用Kryoserializationl，相比Java serializationl 更快，序列化后的数据更小；  
3. 建议使用CMS垃圾回收器下降GC开销；  
4. 选择高性能的算子(mapPartitions, foreachPartitions, aggregateByKey等)；  
5. repartition的使用：在streaming程序中由于batch时间特别短，因此数据量通常较小，因此repartition的时间短，能够解决一些由于topicpartition中数据分配不均匀致使的数据倾斜问题；  
6. 由于SparkStreaming生产的job最终都是在sparkcore上运行的，因此sparkCore的优化也很重要；  
7. BackPressure流控

• 为何引入Backpressure？当batch processing time>batchinterval 这种状况持续过长的时间，会形成数据在内存中堆积，致使Receiver所在Executor内存溢出等问题；
• Backpressure：根据JobScheduler反馈做业的执行信息来动态调整数据接收率；
• 配置使用：

spark.streaming.backpressure.enabled
含义： 是否启用 SparkStreaming内部的backpressure机制，
默认值：false ,表示禁用

spark.streaming.backpressure.initialRate
含义： receiver 为第一个batch接收数据时的比率

spark.streaming.receiver.maxRate
含义： receiver接收数据的最大比率，若是设置值<=0, 则receiver接收数据比率不受限制

spark.streaming.kafka.maxRatePerPartition
含义： 从每一个kafka partition中读取数据的最大比率

8. speculation机制

spark内置speculation机制，推测job中的运行特别慢的task，将这些task kill，并从新调度这些task执行。 默认speculation机制是关闭的，经过如下配置参数开启：

spark.speculation=true

注意：在有些状况下，开启speculation反而效果很差，好比：streaming程序消费多个topic时，从kafka读取数据直接处理，没有从新分区，这时若是多个topic的partition的数据量相差较大那么可能会致使正常执行更大数据量的task会被认为执行缓慢，而被中途kill掉，这种状况下可能致使batch的处理时间反而变长；能够经过repartition来解决这个问题，可是要衡量repartition的时间；而在streaming程序中由于batch时间特别短，因此数据量通常较小，因此repartition的时间短，不像spark_batch一次处理大量数据一旦repartition则会特别久，因此最终仍是要根据具体状况测试来决定。

5 总结

将Receiver模式改为Direct模式，实现了资源优化，提高了程序的稳定性，缺点是须要本身管理offset，操做相对复杂。将来，个推将不断探索和优化Spark Streaming技术，发挥其强大的数据处理能力，为建设实时数仓提供保障。