Spark Streaming状态管理函数updateStateByKey和mapWithState
相关内容原文地址：
SparkStreaming之解析mapWithState
Spark Streaming状态管理函数
updateStateByKey和mapWithState
SparkStreaming之mapWithState
一、状态管理函数
Spark Streaming中状态管理函数包括updateStateByKey和mapWithState，都是用来统计全局key的状态的变化的。它们以DStream中的数据进行按key做reduce操作，然后对各个批次的数据进行累加，在有新的数据信息进入或更新时。能够让用户保持想要的不论什么状。
二、mapWithState
2.1关于mapWithState
mapWithState也会统计全局的key的状态，但是如果没有数据输入，便不会返回之前的key的状态，类似于增量的感觉。
需要自己写一个匿名函数func来实现自己想要的功能。如果有初始化的值得需要，可以使用initialState(RDD)来初始化key的值。 另外，还可以指定timeout函数，该函数的作用是，如果一个key超过timeout设定的时间没有更新值，那么这个key将会失效。这个控制需要在func中实现，必须使用state.isTimingOut()来判断失效的key值。如果在失效时间之后，这个key又有新的值了，则会重新计算。如果没有使用isTimingOut，则会报错。
2.2mapWithState示例Scala：
package spark2x
import org.apache.spark.sql.SparkSession
import org.apache.spark.streaming.dstream.{DStream, MapWithStateDStream, ReceiverInputDStream}
import org.apache.spark.streaming.{Seconds, State, StateSpec, StreamingContext}
object MapWithState {
// 设置本地运行模式
def main(args: Array[String]): Unit = {
val spark = SparkSession.builder()
.master("local[2]")
.appName("MapWithState")
.getOrCreate()
// 创建一个context，批次间隔为2秒钟，
val ssc: StreamingContext = new StreamingContext(spark.sparkContext, Seconds(3))
// 设置checkpoint目录
ssc.checkpoint(".")
// 创建一个ReceiverInputDStream，从服务器端的netcat接收数据。
// 服务器主机名SC01（SC01已在Window上的hosts文件中做了映射，没做映射的则写ip就OK了）,监听端口为6666
val line: ReceiverInputDStream[String] = ssc.socketTextStream("SC01", 6666)
// 对接收到的数据进行处理，进行切割，分组形式为(day, 1) (word 1)
val wordsStream: DStream[(String, Int)] = line.flatMap(_.split(" ")).map((_, 1))
val wordCount: MapWithStateDStream[String, Int, Int, Any] = wordsStream.mapWithState(StateSpec.function(func).timeout(Seconds(30)))
// 打印
wordCount.print()
// 提交
ssc.start()
//
ssc.awaitTermination()
}
/**
* 定义一个函数，该函数有三个类型word: String, option: Option[Int], state: State[Int]
* 其中word代表统计的单词，option代表的是历史数据，state代表的是返回的状态
*/
val func = (word: String, option: Option[Int], state: State[Int]) => {
if(state.isTimingOut()){
println(word + "is timeout")
}else{
// 获取历史数据，当前值加上上一个批次的该状态的值
val sum = option.getOrElse(0) + state.getOption().getOrElse(0)
// 单词和该单词出现的频率
val wordFreq = (word, sum)
// 更新状态
state.update(sum)
wordFreq
}
}
}
mapWithState它会按照时间线在每一个批次间隔返回之前的发生改变的或者新的key的状态，不发生变化的不返回。同时mapWithState可以不用设置checkpoint，返回的数据量少，性能和效率都比mapWithState好。
2.3mapWithState算子应用示例
import org.apache.spark.SparkConf
import org.apache.spark.streaming.{Seconds, State, StateSpec, StreamingContext}
object MapWithStateApp {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster("local[2]").setAppName("MapWithStateApp")
val ssc = new StreamingContext(conf,Seconds(5))
ssc.checkpoint("hdfs://192.168.137.251:9000/spark/data")
val lines = ssc.socketTextStream("hadoop000",9999)
val words = lines.flatMap(_.split(" "))
val pairs = words.map(x=>(x,1)).reduceByKey(_+_)
// 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 wordcounts = pairs.mapWithState(StateSpec.function(mappingFunc))
wordcounts.print()
ssc.start()
ssc.awaitTermination()
}
}
2.4mapWithState应用示例
package stateParse
import org.apache.spark.streaming._
import org.apache.spark.{SparkConf, SparkContext}
/**
* Author: shawn pross
* Date: 2018/09/10
* Description:
*/
object TestMapWithState {
def main(args: Array[String]): Unit = {
val conf = new SparkConf()
conf.setAppName(s"${this.getClass.getSimpleName}")
conf.setMaster("local[2]")
val sc = new SparkContext(conf)
val ssc = new StreamingContext(sc, Seconds(3))
ssc.checkpoint("/checkpoint/")
val line = ssc.socketTextStream("127.0.0.1",9999)
val wordDStream = line.flatMap(_.split(",")).map(x=>(x,1))
//状态更新函数，output是输出，state是状态
val mappingFunc = (userId:String,value:Option[Int],state:State[Int])=>{
val sum= value.getOrElse(0) + state.getOption().getOrElse(0)
val output = (userId,sum)
state.update(sum)
output
}
//通过mapWithState更新状态，设置状态超时时间为1小时
val stateDStream = wordDStream.mapWithState(StateSpec.function(mappingFunc).timeout(Minutes(60))).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。我们定义了一个状态更新函数mappingFunc，该函数会更新指定用户的状态，同时会返回更新后的状态，将该函数传给mapWithState，并设置状态超时时间。SparkStreaming通过根据我们定义的更新函数，在每个计算时间间隔内更新内部维护的状态，同时返回经过mappingFunc处理后的结果数据流。
2.5SparkStreaming之mapWithState
与updateStateByKey方法相比，使用mapWithState方法能够得到6倍的低延迟的同时维护的key状态的数量要多10倍，这一性能的提升和扩展性可以从基准测试结果得到验证，所有的结果全部在实践间隔为1秒的batch和相同大小的集群中生成。
下图比较的是mapWithState方法和updateStateByKey方法处理1秒的batch所消耗的平均时间。在本例子中，我们为同样数量的的key(0.25-1百万)保存状态，然后已同意的速率（30个更新/s）对其进行更新。可以看到mapWithState方法比updateStateByKey方法快了8倍，从而允许更低的端到端的延迟。
package com.llcc.sparkSql.MyTimeSort
import org.apache.spark.streaming.StreamingContext
import org.apache.spark.SparkConf
import org.apache.spark.streaming.Seconds
import org.apache.spark.streaming.StateSpec
import org.apache.spark.streaming.State
object MapWithStateDemo {
def main(args: Array[String]): Unit = {
/**
* local[1] 中括号里面的数字都代表的是启动几个工作线程
* 默认情况下是一个工作线程。那么做为sparkstreaming 我们至少要开启
* 两个线程，因为其中一个线程用来接收数据，这样另外一个线程用来处理数据。
*/
val conf=new SparkConf().setMaster("local[2]").setAppName("MapWithStateDemo")
/**
* Seconds 指的是每次数据数据的时间范围 （bacth interval）
*/
val ssc=new StreamingContext(conf,Seconds(2));
ssc.checkpoint(".")
val fileDS=ssc.socketTextStream("hadoop1", 9999)
val wordDstream =fileDS.flatMap { line => line.split(" ") }
.map { word => (word,1) }
/**
* word: String, one: Option[Int], state: State[Int]
* 这个函数里面有三个参数
* 第一个参数：word: String 代表的就是key
* 第二个参数：one: Option[Int] 代表的就是value
* 第三个参数：state: State[Int] 代表的就是状态（历史状态，也就是上次的结果）
*
* hello,4
*
* hello,1
*
* hello,5
*/
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 initialRDD = ssc.sparkContext.parallelize(List(("hello", 1), ("world", 1)))
/**
* hello,1
* hello,2
* world,2
*/
val stateDstream = wordDstream.mapWithState(
StateSpec.function(mappingFunc).initialState(initialRDD))
/**
* 打印RDD里面前十个元素
*/
// wordcount.print()
stateDstream.print();
//启动应用
ssc.start()
//等待任务结束
ssc.awaitTermination()
}
}
三、updateStateByKey
3.1关于updateStateByKey
updateStateByKey可以在指定的批次间隔内返回之前的全部历史数据，包括新增的，改变的和没有改变的。由于updateStateByKey在使用的时候一定要做checkpoint，当数据量过大的时候，checkpoint会占据庞大的数据量，会影响性能，效率不高。
3.2updateStateByKey示例Scala：
package spark2x
import org.apache.spark.SparkContext
import org.apache.spark.sql.SparkSession
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.streaming.dstream.{DStream, ReceiverInputDStream}
object UpdateStateByKeyDemo {
def main(args: Array[String]): Unit = {
/** 第一步：配置SparkConf：
* 1，至少2条线程：因为Spark Streaming应用程序在运行的时候，至少有一条
* 线程Receiver用于不断的循环接收数据，还有一条线程是Executor用于处理接受的数据（少于两条
* 就没有线程用于处理数据，窗口不会显示数据。并且随着时间的推移，内存和磁盘由于负担过重而崩溃）；
* 2，对于集群而言，根据已有经验，大概5个左右的Core是性能最佳（一般分配为奇数个Core）
*/
val spark = SparkSession.builder()
.master("local[2]")
.appName("UpdateStateByKeyDemo")
.getOrCreate()
val conf: SparkContext = spark.sparkContext
/**
* 第二步：创建SparkStreamingContext：
* 1，这个是SparkStreaming应用程序所有功能的起始点和程序调度的核心
* SparkStreamingContext的构建可以基于SparkConf参数，也可基于持久化的SparkStreamingContext的内容
* 来恢复过来（典型的场景是Driver崩溃后重新启动，由于Spark Streaming具有连续7*24小时不间断运行的特征，
* 所有需要在Driver重新启动后继续上衣系的状态，此时的状态恢复需要基于曾经的Checkpoint）；
* 2，在一个Spark Streaming应用程序中可以创建若干个SparkStreamingContext对象，使用下一个SparkStreamingContext
* 之前需要把前面正在运行的SparkStreamingContext对象关闭掉，由此，我们获得一个重大的启发SparkStreaming框架也只是
* Spark Core上的一个应用程序而已，只不过Spark Streaming框架箱运行的话需要Spark工程师写业务逻辑处理代码；
*/
val ssc: StreamingContext = new StreamingContext(conf, Seconds(3))
//报错解决办法做checkpoint,开启checkpoint机制，把checkpoint中的数据放在这里设置的目录中，生产环境下一般放在HDFS中
ssc.checkpoint("hdfs://SC01:8020/user/tmp/cp-20181201")
/**
* 第三步：创建Spark Streaming输入数据来源input Stream：
* 1，数据输入来源可以基于File、HDFS、Flume、Kafka、Socket等
* 2, 在这里我们指定数据来源于网络Socket端口，Spark Streaming连接上该端口并在运行的时候一直监听该端口
* 的数据（当然该端口服务首先必须存在）,并且在后续会根据业务需要不断的有数据产生(当然对于Spark Streaming
* 应用程序的运行而言，有无数据其处理流程都是一样的)；
* 3,如果经常在每间隔5秒钟没有数据的话不断的启动空的Job其实是会造成调度资源的浪费，因为并没有数据需要发生计算，所以
* 实例的企业级生成环境的代码在具体提交Job前会判断是否有数据，如果没有的话就不再提交Job；
*/
val line: ReceiverInputDStream[String] = ssc.socketTextStream("SC01", 6666)
/**
* 第四步：接下来就像对于RDD编程一样基于DStream进行编程！！！原因是DStream是RDD产生的模板（或者说类），在Spark Streaming具体
* 发生计算前，其实质是把每个Batch的DStream的操作翻译成为对RDD的操作！！！
* 对初始的DStream进行Transformation级别的处理，例如map、filter等高阶函数等的编程，来进行具体的数据计算
* 进行单词拆分
*/
val words: DStream[String] = line.flatMap(_.split(" "))
/**
* 对初始的DStream进行Transformation级别的处理，例如map、filter等高阶函数等的编程，来进行具体的数据计算
* 单词分组计数实，word => (word, 1) Word ->(word, 1) day -> day(day, 1)
*/
val pairs: DStream[(String, Int)] = words.map((_, 1))
/**
* 通过updateStateByKey来以Batch Interval为单位来对历史状态进行更新，
* 这是功能上的一个非常大的改进，否则的话需要完成同样的目的，就可能需要把数据保存在Redis、
* Tagyon或者HDFS或者HBase或者数据库中来不断的完成同样一个key的State更新，如果你对性能有极为苛刻的要求，
* 且数据量特别大的话，可以考虑把数据放在分布式的Redis或者Tachyon内存文件系统中；
* Spark2.X后mapWithState应该非常稳定了。
*/
val wordCount: DStream[(String, Int)] = pairs.updateStateByKey((values: Seq[Int], state: Option[Int]) => {
var newValue = state.getOrElse(0)
for (value <- values) {
newValue += value
}
Option(newValue)
})
/**
* 此处的print并不会直接出发Job的执行，因为现在的一切都是在Spark Streaming框架的控制之下的，对于Spark Streaming
* 是否触发真正的Job运行是基于设置的Duration时间间隔的
* 需要注意的是Spark Streaming应用程序要想执行具体的Job，对Dtream就必须有output Stream操作，
* output Stream有很多类型的函数触发，类print、saveAsTextFile、saveAsHadoopFiles等，最为重要的一个
* 方法是foraeachRDD,因为Spark Streaming处理的结果一般都会放在Redis、DB、DashBoard等上面，foreachRDD
* 主要就是用用来完成这些功能的，而且可以随意的自定义具体数据到底放在哪里！！！
*/
wordCount.print()
/**
* Spark Streaming执行引擎也就是Driver开始运行，Driver启动的时候是位于一条新的线程中的，当然其内部有消息循环体，用于
* 接受应用程序本身或者Executor中的消息；
*/
// 开始提交任务
ssc.start()
// 线程等待，等待处理下一批次任务
ssc.awaitTermination()
}
/** Iterator[(K, Seq[V], Option[S])]) => Iterator[(K, S)]
* 在调用updateStateByKey中，需要传入一个用于计算历史批次和当前批次数据的函数
* 该函数中有几个类型：String, Seq[Int], Option[Int])]
* String代表元组中每一个单词，也就是key
* Seq[Int]代表当前批次相同key对应的value，比如Seq(1,1,1,1)
* Option[Int]代表上一批次中相同key对应的累加的结果，有可能有值，有可能没有值。
* 此时，获取历史批次的数据时，最好用getOrElse方法
*/
val func = (it: Iterator[(String, Seq[Int], Option[Int])]) => {
it.map(tup => {
(tup._1, tup._2.sum + tup._3.getOrElse(0))
})
}
}
四、updateStateByKey和mapWithState的区别
updateStateByKey可以在指定的批次间隔内返回之前的全部历史数据，包括新增的，改变的和没有改变的。由于updateStateByKey在使用的时候一定要做checkpoint，当数据量过大的时候，checkpoint会占据庞大的数据量，会影响性能，效率不高。
mapWithState只返回变化后的key的值，这样做的好处是，我们可以只是关心那些已经发生的变化的key，对于没有数据输入，则不会返回那些没有变化的key的数据。这样的话，即使数据量很大，checkpoint也不会像updateStateByKey那样，占用太多的存储，效率比较高（再生产环境中建议使用这个）。
4.1适用场景
updateStateByKey可以用来统计历史数据。例如统计不同时间段用户平均消费金额，消费次数，消费总额，网站的不同时间段的访问量等指标
mapWithState可以用于一些实时性较高，延迟较少的一些场景，例如你在某宝上下单买了个东西，付款之后返回你账户里的余额信息。