导航：首页 > 互联网科技 >

第4课：Spark Streaming的Exactly-One的事务处理

发表于：2025-02-24 作者：千家信息网编辑

千家信息网最后更新 2025年02月24日，Spark Streaming的事务处理和关系型数据库的事务的概念有所不同，关系型数据库事务关注的是语句级别的一致性，例如银行转账。而Spark Streaming的事务关注的是某次job执行的一致性

千家信息网最后更新 2025年02月24日第4课：Spark Streaming的Exactly-One的事务处理

Spark Streaming的事务处理和关系型数据库的事务的概念有所不同，关系型数据库事务关注的是语句级别的一致性，例如银行转账。而Spark Streaming的事务关注的是某次job执行的一致性。也就是如何保证Job在处理数据的过程中做到如下两点：

不丢失数据
不重复处理数据

SparkStreaming程序执行架构大致如下：

一、我们先来说说丢失数据的情况：

Receiver接收到数据后，首先会在Executor级别上保存数据(根据StorageLevel的设置)，例如socketTextStream的Receiver。在内存和磁盘上保留2份副本数据

def socketTextStream(    hostname: String,    port: Int,    storageLevel: StorageLevel = StorageLevel.MEMORY_AND_DISK_SER_2  ): ReceiverInputDStream[String] = withNamedScope("socket text stream") {  socketStream[String](hostname, port, SocketReceiver.bytesToLines, storageLevel)}

如果StorageLevel设置的是只进行内存级别的存储，那么当程序崩溃后，即便对Driver进行了Checkpoint，然后重新启动程序。该部分数据也会丢失。因为Driver的Checkpoint并不对计算数据进行保存。

我们假设StorageLevel设置了磁盘级别的存储，也不能完全保证数据不被丢失，因为Receiver并不是接收一条数据写一次磁盘，而是按照数据块为单位写数据。然后将数据块的元数据信息发送给Driver，Driver的Checkpoint记录的数Block的元数据信息。当数据块写到一半的时候，或者是元数据还没有发送给Driver的时候，Executor崩溃了，数据也就丢失啦。

解决方案：为了减少这种情况的发送，可以在Receiver端引入WAL写机制，因为WAL写的频率要比数据块的频率高的多。这样，当Executor恢复的时候，可以读取WAL日志恢复数据块。

但是通过WAL方式会极大的损伤Spark Streaming中Receivers接受数据的性能；

WAL也不能完全的解决数据丢失的问题，就像Oracle一样，日志文件的写，也是先写到内存中，然后根据一定的触发条件再将数据写到磁盘。如果还没有来的及写WAL日志，此时数据也会有不一致的情况（数据已经接收，但是还没有写到WAL的这部分数据是恢复不出来的。）。

Spark Streaming 1.3的时候为了避免WAL的性能损失和实现Exactly Once而提供了Kafka Direct API，把Kafka作为文件存储系统！！！此时兼具有流的优势和文件系统的优势，至此，Spark Streaming+Kafka就构建了完美的流处理世界！！！所有的Executors通过Kafka API直接消费数据，直接管理Offset，所以也不会重复消费数据；事务实现啦！！！

2. Driver崩溃，此时Job正在处理的数据，包括Receiver已经接收到还未被处理的数据将全部丢失。

解决方案：对Driver进行Checkpoint，此处的Checkpoint和RDD的Checkpoint并不一样。

我们看看Checkpoint都包含哪些属性：

private[streaming]class Checkpoint(ssc: StreamingContext, val checkpointTime: Time)  extends Logging with Serializable {  val master = ssc.sc.master  val framework = ssc.sc.appNameval jars = ssc.sc.jars  val graph = ssc.graph  val checkpointDir = ssc.checkpointDir  val checkpointDuration = ssc.checkpointDuration  val pendingTimes = ssc.scheduler.getPendingTimes().toArray  val delaySeconds = MetadataCleaner.getDelaySeconds(ssc.conf)  val sparkConfPairs = ssc.conf.getAll

其中graph是DStreamGraph的实例化，它里面包含了InputDStream

privateval inputStreams = new ArrayBuffer[InputDStream[_]]()

我们以DirectKafkaInputDStream为例，其中包含了checkpointData

protected[streaming] overrideval checkpointData =  new DirectKafkaInputDStreamCheckpointData

其中只是包含：

class DirectKafkaInputDStreamCheckpointData extends DStreamCheckpointData(this) {  def batchForTime: mutable.HashMap[Time, Array[(String, Int, Long, Long)]] = {    data.asInstanceOf[mutable.HashMap[Time, Array[OffsetRange.OffsetRangeTuple]]]  }

就是每个batch 的唯一标识 time 对象，以及每个KafkaRDD对应的的Kafka偏移信息。

所以：

checkpoint 是非常高效的。没有涉及到实际数据的存储。一般大小只有几十K，因为只存了Kafka的偏移量等信息。

checkpoint 采用的是序列化机制，尤其是DStreamGraph的引入，里面包含了可能如ForeachRDD等，而ForeachRDD里面的函数应该也会被序列化。如果采用了CheckPoint机制，而你的程序包做了做了变更，恢复后可能会有一定的问题。

二、关于数据重复处理涉及两个方面：

数据被重复读取：在使用Kafka的情况下，Receiver收到数据且保存到了HDFS等持久化引擎但是没有来得及进行updateOffsets，此时Receiver崩溃后重新启动就会通过管理Kafka的ZooKeeper中元数据再次重复读取数据，但是此时SparkStreaming认为是成功的，但是Kafka认为是失败的（因为没有更新offset到ZooKeeper中），此时就会导致数据重新消费的情况。
数据输出多次重写
为什么会有这个问题，因为Spark Streaming在计算的时候基于Spark Core，Spark Core天生会做以下事情导致Spark Streaming的部分结果重复输出(例如数据输出后，该Task的后续程序发生错误，而任务发生错误，Spark Core会进入如下程序)：
Task重试；慢任务推测(两个相同任务可能会同时执行)，Stage重复；Job重试；

具体解决方案：

设置spark.task.maxFailures次数为1；

设置spark.speculation为关闭状态（因为慢任务推测其实非常消耗性能，所以关闭后可以显著提高Spark Streaming处理性能）

Spark Streaming on Kafka的话，Job失败后可以设置auto.offset.reset为"largest"的方式；

Exactly Once的事务处理必须满足：