Spark Streaming优雅的关闭策略优化

分手后的思念是犯贱 2022-06-04 07:41 212阅读 0赞

前面文章介绍了不少有关Spark Streaming的offset的管理以及如何优雅的关闭Spark Streaming的流程序。

到目前为止还有几个问题：

（1）有关spark streaming集成kafka时，如果kafka新增分区， 那么spark streaming程序能不能动态识别到而不用重启？

（2）如果需要重启，那么在自己管理offset时，如何才能识别到新增的分区？

（3）spark streaming优雅关闭的策略还有那些？

首先第一个问题，如果kafka要新增分区，对于正在运行的实时流程序能否动态识别到？

经过测试，是不能识别的，我推测使用createDirectStream创建流对象一旦创建就是不可变的，也就是说创建实例那一刻的分区数量，会一直使用直到流程序结束，就算中间kafka的分区数量扩展了，流程序也是不能识别到的。所以在扩展kafka分区前，一定要先把流程序给停掉，然后扩展完成后需要再次重启流程序。

然后看第二个问题，如果是我们自己管理offset时，一定要考虑到kafka扩展分区的情况，每次启动程序前都得检测下目前保存的偏移量里面的kafka的分区个数是否小于kafka实际元数据里面实际的分区个数，正常没扩展分区的情况下两个值应该是相等的，如果值不一致，就说明是kafka分区得到扩展了，所以我们的程序需要能够兼容这种情况。

核心代码如下：

//这个topic在zk里面最新的分区数量
            val  lastest_partitions= ZkUtils.getPartitionsForTopics(zkClient,Seq(topic)).get(topic).get
            var offsets = offsetsRangesStr.split(",")//按逗号split成数组
              .map(s => s.split(":"))//按冒号拆分每个分区和偏移量
              .map { case Array(partitionStr, offsetStr) => (TopicAndPartition(topic, partitionStr.toInt) -> offsetStr.toLong) }//加工成最终的格式
              .toMap//返回一个Map
    
            //说明有分区扩展了
            if(offsets.size<lastest_partitions.size){
              //得到旧的所有分区序号
              val old_partitions=offsets.keys.map(p=>p.partition).toArray
              //通过做差集得出来多的分区数量数组
              val add_partitions=lastest_partitions.diff(old_partitions)
              if(add_partitions.size>0){
                log.warn("发现kafka新增分区："+add_partitions.mkString(","))
                add_partitions.foreach(partitionId=>{
                  offsets += (TopicAndPartition(topic,partitionId)->0)
                  log.warn("新增分区id："+partitionId+"添加完毕....")
                })
    
              }
    
            }else{
              log.warn("没有发现新增的kafka分区："+lastest_partitions.mkString(","))
            }

上面的代码在每次启动程序时，都会检查当前我们自己管理的offset的分区数量与zk元数据里面实际的分区数量，如果不一致就会把新增的分区id给加到TopicAndPartition里面并放入到Map对象里面，这样在启动前就会传入到createDirectStream对象中，就能兼容新增的分区了。

最后一个问题，前面的文章谈到过我们可以有两种方式来更加优雅的停止流程序，分别是通过http暴露服务，和通过HDFS做消息中转来定时扫描mark文件是否存在来触发关闭服务。

下面我们先来看下通过http暴露服务的核心代码：

/****
        * 负责启动守护的jetty服务
        * @param port 对外暴露的端口号
        * @param ssc Stream上下文
        */
      def daemonHttpServer(port:Int,ssc: StreamingContext)={
        val server=new Server(port)
        val context = new ContextHandler();
        context.setContextPath( "/close" );
        context.setHandler( new CloseStreamHandler(ssc) )
        server.setHandler(context)
        server.start()
      }
    
      /*** 负责接受http请求来优雅的关闭流
        * @param ssc  Stream上下文
        */
      class CloseStreamHandler(ssc:StreamingContext) extends AbstractHandler {
        override def handle(s: String, baseRequest: Request, req: HttpServletRequest, response: HttpServletResponse): Unit ={
          log.warn("开始关闭......")
          ssc.stop(true,true)//优雅的关闭
          response.setContentType("text/html; charset=utf-8");
          response.setStatus(HttpServletResponse.SC_OK);
          val out = response.getWriter();
          out.println("close success");
          baseRequest.setHandled(true);
          log.warn("关闭成功.....")
        }
      }

然后在来看下另一种方式扫描HDFS文件的方式：

/***
        * 通过一个消息文件来定时触发是否需要关闭流程序
        * @param ssc StreamingContext
        */
      def stopByMarkFile(ssc:StreamingContext):Unit= {
        val intervalMills = 10 * 1000 // 每隔10秒扫描一次消息是否存在
        var isStop = false
        val hdfs_file_path = "/spark/streaming/stop" //判断消息文件是否存在，如果存在就
        while (!isStop) {
          isStop = ssc.awaitTerminationOrTimeout(intervalMills)
          if (!isStop && isExistsMarkFile(hdfs_file_path)) {
            log.warn("2秒后开始关闭sparstreaming程序.....")
            Thread.sleep(2000)
            ssc.stop(true, true)
          }
    
        }
      }
    
        /***
          * 判断是否存在mark file
          * @param hdfs_file_path  mark文件的路径
          * @return
          */
        def isExistsMarkFile(hdfs_file_path:String):Boolean={
          val conf = new Configuration()
          val path=new Path(hdfs_file_path)
          val fs =path.getFileSystem(conf);
          fs.exists(path)
        }

上面是两种方式的核心代码，最后提下触发停止流程序：

第一种需要在启动服务的机器上，执行下面封装的脚本：

## tx.log是提交spark任务后的输出log重定向的log 
    ## &> tx.log &  
    
     #!/bin/bash
        driver=`cat tx.log | grep ApplicationMaster | grep -Po '\d+.\d+.\d+.\d+'`
    
        echo $driver
    
        curl http://$driver:port/close/
    
      echo "stop finish"

第二种方式，找到一个拥有HDFS客户端机器，向HDFS上写入指定的文件：

#生成文件后，10秒后程序就会自动停止
    hadoop fs -touch /spark/streaming/stop
    
    #下次启动前，需要清空这个文件，否则程序启动后就会停止
    hadoop fs -rm -r /spark/streaming/stop

所有代码，已经同步更新到我的github上，有兴趣的朋友可以参考这个链接：[https://github.com/qindongliang/streaming-offset-to-zk][https_github.com_qindongliang_streaming-offset-to-zk]

[https_github.com_qindongliang_streaming-offset-to-zk]: https://github.com/qindongliang/streaming-offset-to-zk