Spark Streaming 數據清理機制
前言
為啥要了解機制呢?這就好比JVM的垃圾回收，雖然JVM的垃圾回收已經巨牛了，但是依然會遇到很多和它相關的case導致系統運行不正常。
這個內容我記得自己剛接觸Spark Streaming的時候，老板也問過我，運行期間會保留多少個RDD? 當時沒回答出來。后面在群里也有人問到了，所以就整理了下。文中如有謬誤之處，還望指出。
DStream 和 RDD
我們知道Spark Streaming 計算還是基于Spark Core的，Spark Core 的核心又是RDD. 所以Spark Streaming 肯定也要和RDD扯上關系。然而Spark Streaming 并沒有直接讓用戶使用RDD而是自己抽象了一套DStream的概念。 DStream 和 RDD 是包含的關系，你可以理解為Java里的裝飾模式，也就是DStream 是對RDD的增強，但是行為表現和RDD是基本上差不多的。都具備幾個條件：
具有類似的tranformation動作，比如map,reduceByKey等，也有一些自己獨有的，比如Window，mapWithStated等
都具有Action動作，比如foreachRDD，count等
從編程模型上看是一致的。
所以很可能你寫的那堆Spark Streaming代碼看起來好像和Spark 一致的,然而并不能直接復用，因為一個是DStream的變換，一個是RDD的變化。
Spark Streaming中 DStream 介紹
DStream 下面包含幾個類：
- 數據源類，比如InputDStream,具體如DirectKafkaInputStream等
- 轉換類，典型比如MappedDStream,ShuffledDStream
- 輸出類，典型比如ForEachDStream
從上面來看，數據從開始(輸入)到結束(輸出)都是DStream體系來完成的，也就意味著用戶正常情況是無法直接去產生和操作RDD的，這也就是說，DStream有機會和義務去負責RDD的生命周期。
這就回答了前言中的問題了。Spark Streaming具備自動清理功能。
RDD 在Spark Stream中產生的流程
在Spark Streaming中RDD的生命流程大體如下：
- 在InputDStream會將接受到的數據轉化成RDD,比如DirectKafkaInputStream 產生的就是 KafkaRDD
- 接著通過MappedDStream等進行數據轉換，這個時候是直接調用RDD對應的map方法進行轉換的
- 在進行輸出類操作時，才暴露出RDD,可以讓用戶執行相應的存儲，其他計算等操作。
我們這里就以下面的代碼來進行更詳細的解釋：
- val source = KafkaUtils.createDirectInputStream(....)
- source.map(....).foreachRDD{rdd=>
- rdd.saveTextFile(....)
- }
foreachRDD 產生ForEachDStream，因為foreachRDD是個Action,所以會觸發任務的執行，會被調用generateJob方法。
- override def generateJob(time: Time): Option[Job] = {
- parent.getOrCompute(time) match {
- case Some(rdd) =>
- val jobFunc = () => createRDDWithLocalProperties(time, displayInnerRDDOps) {
- foreachFunc(rdd, time)
- }
- Some(new Job(time, jobFunc))
- case None => None
- }
- }
對應的parent是MappedDStream,也就是說調用MappedDStream.getOrCompute.該方法在DStream中，首先會在MappedDStream對象中的generatedRDDs 變量中查找是否已經有RDD,如果沒有則觸發計算，并且將產生的RDD放到generatedRDDs
- @transientprivate[streaming] var generatedRDDs = new HashMap[Time, RDD[T]] ()
- private[streaming] final def getOrCompute(time: Time): Option[RDD[T]] = {
- // If RDD was already generated, then retrieve it from HashMap,
- // or else compute the RDD
- generatedRDDs.get(time).orElse {
- ....
- generatedRDDs.put(time, newRDD)
- ....
計算RDD是調用的compute方法，MappedDStream 的compute方法很簡單，直接調用的父類也就是DirectKafkaInputStream的getOrCompute方法：
- override def compute(validTime: Time): Option[RDD[U]] = {
- parent.getOrCompute(validTime).map(_.map[U](mapFunc))
- }
在上面的例子中，MappedDStream 的parent是DirectKafkaInputStream中,這是個數據源，所以他的compute方法會直接new出一個RDD.
從上面可以得出幾個結論：
- 數據源以及轉換類DStream都會維護一個generatedRDDs，可以按batchTime 進行獲取
- 內部本質還是進行的RDD的轉換
- 如果我們調用了cache會發生什么
這里又會有兩種情況，一種是調用DStream.cache,第二種是RDD.cache。事實上他們是完全一樣的。
- DStream的cache 動作只是將DStream的變量storageLevel 設置為MEMORY_ONLY_SER，然后在產生(或者獲取)RDD的時候，調用RDD的persit方法進行設置。所以DStream.cache 產生的效果等價于RDD.cache(也就是你自己調用foreachRDD 將RDD 都設置一遍)
- 進入正題，我們是怎么釋放Cache住的RDD的
其實無所謂Cache不Cache住，RDD最終都是要釋放的，否則運行久了，光RDD對象也能承包了你的內存。我們知道，在Spark Streaming中，周期性產生事件驅動Spark Streaming 的類其實是:
- org.apache.spark.streaming.scheduler.JobGenerator
他內部有個永動機(定時器),定時發布一個產生任務的事件:
- private val timer = new RecurringTimer(clock, ssc.graph.batchDuration.milliseconds, longTime => eventLoop.post(GenerateJobs(new Time(longTime))), "JobGenerator")
然后通過processEvent進行事件處理：
- /** Processes all events */
- private def processEvent(event: JobGeneratorEvent) {
- logDebug("Got event " + event)
- event match {
- case GenerateJobs(time) => generateJobs(time)
- case ClearMetadata(time) => clearMetadata(time)
- case DoCheckpoint(time, clearCheckpointDataLater) =>
- doCheckpoint(time, clearCheckpointDataLater)
- case ClearCheckpointData(time) => clearCheckpointData(time)
- }
- }
目前我們只關注ClearMetadata 事件。對應的方法為：
- private def clearMetadata(time: Time) {
- ssc.graph.clearMetadata(time)
- // If checkpointing is enabled, then checkpoint,
- // else mark batch to be fully processed
- if (shouldCheckpoint) {
- eventLoop.post(DoCheckpoint(time, clearCheckpointDataLater = true))
- } else {
- // If checkpointing is not enabled, then delete metadata information about
- // received blocks (block data not saved in any case). Otherwise, wait for
- // checkpointing of this batch to complete.
- val maxRememberDuration = graph.getMaxInputStreamRememberDuration()
- jobScheduler.receiverTracker.cleanupOldBlocksAndBatches(time - maxRememberDuration)
- jobScheduler.inputInfoTracker.cleanup(time - maxRememberDuration)
- markBatchFullyProcessed(time)
- }
- }
首先是清理輸出DStream(比如ForeachDStream),接著是清理輸入類(基于Receiver模式)的數據。
ForeachDStream 其實調用的也是DStream的方法。該方法大體如下：
- private[streaming] def clearMetadata(time: Time) {
- val unpersistData = ssc.conf.getBoolean("spark.streaming.unpersist", true)
- val oldRDDs = generatedRDDs.filter(_._1 <= (time - rememberDuration))
- logDebug("Clearing references to old RDDs: [" +
- oldRDDs.map(x => s"${x._1} -> ${x._2.id}").mkString(", ") + "]")
- generatedRDDs --= oldRDDs.keys
- if (unpersistData) {
- logDebug("Unpersisting old RDDs: " + oldRDDs.values.map(_.id).mkString(", "))
- oldRDDs.values.foreach { rdd =>
- rdd.unpersist(false)
- // Explicitly remove blocks of BlockRDD
- rdd match {
- case b: BlockRDD[_] =>
- logInfo("Removing blocks of RDD " + b + " of time " + time)
- b.removeBlocks()
- case _ =>
- }
- }
- }
- logDebug("Cleared " + oldRDDs.size + " RDDs that were older than " +
- (time - rememberDuration) + ": " + oldRDDs.keys.mkString(", "))
- dependencies.foreach(_.clearMetadata(time))
- }
大體執行動作如下描述：
- 根據記憶周期得到應該剔除的RDD
- 根據是否要清理cache數據，進行unpersit 操作，并且顯示的移除block
- 根據依賴調用其他的DStream進行動作清理
這里我們還可以看到，通過參數spark.streaming.unpersist 你是可以決定是否手工控制是否需要對cache住的數據進行清理。
這里你會有兩個疑問：
- dependencies 是什么?
- rememberDuration 是怎么來的?
dependencies 你可以簡單理解為父DStream,通過dependencies 我們可以獲得已完整DStream鏈。
rememberDuration 的設置略微復雜些,大體是 slideDuration,如果設置了checkpointDuration 則是2*checkpointDuration 或者通過DStreamGraph.rememberDuration(如果設置了的話，譬如通過StreamingContext.remember方法,不過通過該方法設置的值要大于計算得到的值會生效)
另外值得一提的就是后面的DStream 會調整前面的DStream的rememberDuration，譬如如果你用了window* 相關的操作，則在此之前的DStream 的rememberDuration 都需要加上windowDuration。
然后根據Spark Streaming的定時性，每個周期只要完成了，都會觸發清理動作,這個就是清理動作發生的時機。代碼如下：
- def onBatchCompletion(time: Time) {
- eventLoop.post(ClearMetadata(time))
- }
總結下
Spark Streaming 會在每個Batch任務結束時進行一次清理動作。每個DStream 都會被掃描，不同的DStream根據情況不同，保留的RDD數量也是不一致的，但都是根據rememberDuration變量決定,而該變量會被下游的DStream所影響，所以不同的DStream的rememberDuration取值是不一樣的。
