手记

14:Spark Streaming源码解读之State管理之updateStateByKey和mapWithState解密

首先简单解释一下什么是state(状态)管理?我们以wordcount为例。每个batchInterval会计算当前batch的单词计数,那如果需要计算从流开始到目前为止的单词出现的次数,该如计算呢?SparkStreaming提供了两种方法:updateStateByKey和mapWithState 。mapWithState 是1.6版本新增功能,目前属于实验阶段。mapWithState具官方说性能较updateStateByKey提升10倍。那么我们来看看他们到底是如何实现的。
一、updateStateByKey 解析
1.1 updateStateByKey 的使用实例
首先看一个updateStateByKey函数使用的例子:

object UpdateStateByKeyDemo {

 def main(args: Array[String]) {

 val conf = new SparkConf().setAppName("UpdateStateByKeyDemo")

 val ssc = new StreamingContext(conf,Seconds(20)) //要使用updateStateByKey方法,必须设置Checkpoint。

 ssc.checkpoint("/checkpoint/")

 val socketLines = ssc.socketTextStream("localhost",9999)

 

 socketLines.flatMap(_.split(",")).map(word=>(word,1))

 .updateStateByKey( 
(currValues:Seq[Int],preValue:Option[Int]) =>{

     
val currValue = currValues.sum//将目前值相加

 Some(currValue + preValue.getOrElse(0))//目前值的和加上历史值

 }).print()

 

 ssc.start()

 ssc.awaitTermination()

 ssc.stop()

 

 }

}

代码很简单,关键地方写了详细的注释。

1.2 updateStateByKey 方法源码分析

我们知道map返回的是MappedDStream,而MappedDStream并没有updateStateByKey方法,并且它的父类DStream中也没有该方法。但是DStream的伴生对象中有一个隐式转换函数

 implicit def toPairDStreamFunctions[K, V](stream: DStream[(K, V)])

 (implicit kt: ClassTag[K], vt: ClassTag[V], ord: Ordering[K] = null):

 PairDStreamFunctions[K, V] = {

 new PairDStreamFunctions[K, V](stream)

 }

PairDStreamFunction 中updateStateByKey的源码如下: def updateStateByKey[S: ClassTag]( updateFunc: (Seq[V], Option[S]) => Option[S]

 ): DStream[(K, S)] = ssc.withScope {

 updateStateByKey(updateFunc, defaultPartitioner())

 }

其中updateFunc就要传入的参数,他是一个函数,
Seq[V]表示当前key对应的所有值,Option[S] 是当前key的历史状态,返回的是新的状态。

最终会调用下面的方法:

 def updateStateByKey[S: ClassTag](

 updateFunc: (Iterator[(K, Seq[V], Option[S])]) => Iterator[(K, S)], partitioner: Partitioner, rememberPartitioner: Boolean

 ): DStream[(K, S)] = ssc.withScope { new StateDStream(self, ssc.sc.clean(updateFunc), partitioner, rememberPartitioner, None)

 }

在这里面new出了一个StateDStream对象。在其compute方法中,会先获取上一个batch计算出的RDD(包含了至程序开始到上一个batch单词的累计计数),然后在获取本次batch中StateDStream的父类计算出的RDD(本次batch的单词计数)分别是prevStateRDD和parentRDD,然后在调用 computeUsingPreviousRDD 方法:

 private [this] def computeUsingPreviousRDD (

 parentRDD: RDD[(K, V)], prevStateRDD: RDD[(K, S)]) = { // Define the function for the mapPartition operation on cogrouped RDD;

 // first map the cogrouped tuple to tuples of required type,

 // and then apply the update function

 val updateFuncLocal = updateFunc

 val finalFunc = (iterator: Iterator[(K, (Iterable[V], Iterable[S]))]) => {

 val i = iterator.map { t =>

 val itr = t._2._2.iterator

 val headOption = if (itr.hasNext) Some(itr.next()) else None

 (t._1, t._2._1.toSeq, headOption)

 }

 updateFuncLocal(i)

 }

 val cogroupedRDD = parentRDD.cogroup(prevStateRDD, partitioner)

 val stateRDD = cogroupedRDD.mapPartitions(finalFunc, preservePartitioning)

 Some(stateRDD)

 }

两个RDD进行cogroup然后应用updateStateByKey传入的函数。cogroup的性能是比较低下的。

二、mapWithState方法解析
2.1 mapWithState方法使用实例:

object StatefulNetworkWordCount {

 def main(args: Array[String]) { if (args.length < 2) {

 System.err.println("Usage: StatefulNetworkWordCount <hostname> <port>")

 System.exit(1)

 }

 

 StreamingExamples.setStreamingLogLevels()

 

 val sparkConf = new SparkConf().setAppName("StatefulNetworkWordCount") // Create the context with a 1 second batch size

 val ssc = new StreamingContext(sparkConf, Seconds(1))

 ssc.checkpoint(".") 

 // Initial state RDD for mapWithState operation

 val initialRDD = ssc.sparkContext.parallelize(List(("hello", 1), ("world", 1))) 

 // Create a ReceiverInputDStream on target ip:port and count the

 // words in input stream of \n delimited test (eg. generated by 'nc')

 val lines = ssc.socketTextStream(args(0), args(1).toInt)

 val words = lines.flatMap(_.split(" "))

 val wordDstream = words.map(x => (x, 1)) 

 // Update the cumulative count using mapWithState

 // This will give a DStream made of state (which is the cumulative count of the words)

 val mappingFunc = (word: String, one: Option[Int], state: State[Int]) => {

 val sum = one.getOrElse(0) + state.getOption.getOrElse(0)

 val output = (word, sum)

 state.update(sum)

 output

 }

 

 val stateDstream = wordDstream.mapWithState(

 StateSpec.function(mappingFunc).initialState(initialRDD))

 stateDstream.print()

 ssc.start()

 ssc.awaitTermination()

 }

}

mapWithState接收的参数是一个StateSpec对象。在StateSpec中封装了状态管理的函数
mapWithState函数中创建了MapWithStateDStreamImpl对象

 def mapWithState[StateType: ClassTag, MappedType: ClassTag]( spec: StateSpec[K, V, StateType, MappedType]

 ): MapWithStateDStream[K, V, StateType, MappedType] = {

 new MapWithStateDStreamImpl[K, V, StateType, MappedType]( self,

 spec.asInstanceOf[StateSpecImpl[K, V, StateType, MappedType]]

 )

 }

MapWithStateDStreamImpl 中创建了一个InternalMapWithStateDStream类型对象internalStream,在MapWithStateDStreamImpl的compute方法中调用了internalStream的getOrCompute方法。

/** Internal implementation of the [[MapWithStateDStream]] */private[streaming] class MapWithStateDStreamImpl[ KeyType: ClassTag, ValueType: ClassTag, StateType: ClassTag, MappedType: ClassTag](

 dataStream: DStream[(KeyType, ValueType)],

 spec: StateSpecImpl[KeyType, ValueType, StateType, MappedType])

 extends MapWithStateDStream[KeyType, ValueType, StateType, MappedType](dataStream.context) { 

 private val internalStream = new InternalMapWithStateDStream[KeyType, ValueType, StateType, MappedType](dataStream, spec)

 

 override def slideDuration: Duration = internalStream.slideDuration

 

 override def dependencies: List[DStream[_]] = List(internalStream)

 

 override def compute(validTime: Time): Option[RDD[MappedType]] = {

 internalStream.getOrCompute(validTime).map { _.flatMap[MappedType] { _.mappedData } }

 }

InternalMapWithStateDStream中没有getOrCompute方法,这里调用的是其父类 DStream 的getOrCpmpute方法,该方法中最终会调用InternalMapWithStateDStream的Compute方法:

 /** Method that generates a RDD for the given time */

 override def compute(validTime: Time): Option[RDD[MapWithStateRDDRecord[K, S, E]]] = { // Get the previous state or create a new empty state RDD

 val prevStateRDD = getOrCompute(validTime - slideDuration) match { case Some(rdd) => if (rdd.partitioner != Some(partitioner)) { // If the RDD is not partitioned the right way, let us repartition it using the

 // partition index as the key. This is to ensure that state RDD is always partitioned

 // before creating another state RDD using it

 MapWithStateRDD.createFromRDD[K, V, S, E](

 rdd.flatMap { _.stateMap.getAll() }, partitioner, validTime)

 } else {

 rdd

 } case None =>

 MapWithStateRDD.createFromPairRDD[K, V, S, E](

 spec.getInitialStateRDD().getOrElse(new EmptyRDD[(K, S)](ssc.sparkContext)),

 partitioner,

 validTime

 )

 } 

 

 // Compute the new state RDD with previous state RDD and partitioned data RDD

 // Even if there is no data RDD, use an empty one to create a new state RDD

 val dataRDD = parent.getOrCompute(validTime).getOrElse {

 context.sparkContext.emptyRDD[(K, V)]

 }

 val partitionedDataRDD = dataRDD.partitionBy(partitioner)

 val timeoutThresholdTime = spec.getTimeoutInterval().map { interval =>

 (validTime - interval).milliseconds

 }

 Some(new MapWithStateRDD(

 prevStateRDD
, partitionedDataRDD
, mappingFunction
, validTime, timeoutThresholdTime))

 }

根据给定的时间生成一个MapWithStateRDD,首先获取了先前状态的RDD:preStateRDD和当前时间的RDD:dataRDD,然后对dataRDD基于先前状态RDD的分区器进行重新分区获取partitionedDataRDD。最后将preStateRDD,partitionedDataRDD和用户定义的函数mappingFunction传给新生成的MapWithStateRDD对象返回。

下面看一下MapWithStateRDD的compute方法:

 override def compute(

 partition: Partition, context: TaskContext): Iterator[MapWithStateRDDRecord[K, S, E]] = {

 

 val stateRDDPartition = partition.asInstanceOf[MapWithStateRDDPartition]

 val prevStateRDDIterator = prevStateRDD.iterator(

 stateRDDPartition.previousSessionRDDPartition, context)

 val dataIterator = partitionedDataRDD.iterator(

 stateRDDPartition.partitionedDataRDDPartition, context)

//prevRecord 代表一个分区的数据
 

 val prevRecord = if (prevStateRDDIterator.hasNext) Some(prevStateRDDIterator.next()) else None

 val newRecord = MapWithStateRDDRecord.updateRecordWithData(

 prevRecord,

 dataIterator,

 mappingFunction,

 batchTime,

 timeoutThresholdTime,

 removeTimedoutData = doFullScan // remove timedout data only when full scan is enabled

 )

 Iterator(newRecord)

 }

MapWithStateRDDRecord 对应MapWithStateRDD 的一个分区:

private[streaming] case class MapWithStateRDDRecord[K, S, E]( var stateMap: StateMap[K, S], var mappedData: Seq[E])

其中stateMap存储了key的状态,mappedData存储了mapping function函数的返回值

看一下MapWithStateRDDRecord的
updateRecordWithData方法

 def updateRecordWithData[K: ClassTag, V: ClassTag, S: ClassTag, E: ClassTag](

 prevRecord: Option[MapWithStateRDDRecord[K, S, E]], dataIterator: Iterator[(K, V)], mappingFunction: (Time, K, Option[V], State[S]) => Option[E], batchTime: Time, timeoutThresholdTime: Option[Long], removeTimedoutData: Boolean

 ): MapWithStateRDDRecord[K, S, E] = {// 创建一个新的 state map 从过去的Recoord中复制 (如果存在) 否则创建一下空的StateMap对象

 val newStateMap = prevRecord.map { _.stateMap.copy() }. getOrElse { new EmptyStateMap[K, S]() }

 

 val mappedData = new ArrayBuffer[E]    
//状态

 val wrappedState = new StateImpl[S]() 

 // Call the mapping function on each record in the data iterator, and accordingly

 // update the states touched, and collect the data returned by the mapping function

 dataIterator.foreach { case (key, value) =>

    //获取key对应的状态

 wrappedState.wrap(newStateMap.get(key))    
//调用mappingFunction获取返回值

 val returned = mappingFunction(batchTime, key, Some(value), wrappedState)    
//维护newStateMap的值 if (wrappedState.isRemoved) {

 newStateMap.remove(key)

 } else if (wrappedState.isUpdated

 || (wrappedState.exists && timeoutThresholdTime.isDefined)) {

 newStateMap.put(key, wrappedState.get(), batchTime.milliseconds)

 }

 mappedData ++= returned

 } 

 // Get the timed out state records, call the mapping function on each and collect the

 // data returned

 if (removeTimedoutData && timeoutThresholdTime.isDefined) {

 newStateMap.getByTime(timeoutThresholdTime.get).foreach { case (key, state, _) =>

 wrappedState.wrapTimingOutState(state)

 val returned = mappingFunction(batchTime, key, None, wrappedState)

 mappedData ++= returned

 newStateMap.remove(key)

 }

 }

 

 MapWithStateRDDRecord(newStateMap, mappedData)

 }

最终返回MapWithStateRDDRecord
对象交个MapWithStateRDD的compute函数,MapWithStateRDD的compute函数将其封装成Iterator返回。



作者:飞帅记忆
链接:https://www.jianshu.com/p/261636f397b8


0人推荐
随时随地看视频
慕课网APP