前言

說起Spark，大家就會自然而然地想到Flink，而且會不自覺地將這兩種主流的大數(shù)據(jù)實(shí)時(shí)處理技術(shù)進(jìn)行比較。然后最終得出結(jié)論：Flink實(shí)時(shí)性大于Spark。

的確，F(xiàn)link中的數(shù)據(jù)計(jì)算是以事件為驅(qū)動的，所以來一條數(shù)據(jù)就會觸發(fā)一次計(jì)算，而Spark基于數(shù)據(jù)集RDD計(jì)算，RDD最小生成間隔就是50毫秒，所以Spark就被定義為亞實(shí)時(shí)計(jì)算。

窗口Window

這里的RDD就是“天然的窗口”，將RDD生成的時(shí)間間隔設(shè)置成1min，那么這個(gè)RDD就可以理解為“1min窗口”。所以如果想要窗口計(jì)算，首選Spark。

但當(dāng)需要對即臨近時(shí)間窗口進(jìn)行計(jì)算時(shí)，必須借助滑動窗口的算子來實(shí)現(xiàn)。

臨近時(shí)間如何理解

例如“3分鐘內(nèi)”這種時(shí)間范圍描述。這種時(shí)間范圍的計(jì)算，需要計(jì)算歷史的數(shù)據(jù)。例如1 ~ 3是3min，2 ~ 4也是3min，這里就重復(fù)使用了2和3的數(shù)據(jù)，依次類推，3 ~ 5也是3min，同樣也重復(fù)使用了3和4。

如果使用普通窗口，就無法滿足“最近3分鐘內(nèi)”這種時(shí)間概念。

很多窗口都丟失了臨近時(shí)間，例如第3個(gè)RDD的臨近時(shí)間其實(shí)是第二個(gè)RDD，但是他們就沒法在一起計(jì)算，這就是為什么不用普通窗口的原因。

滑動窗口

滑動窗口三要素：RDD的生成時(shí)間、窗口的長度、滑動的步長。

我在本次實(shí)踐中，將RDD的時(shí)間間隔設(shè)置為10s，窗口長度為30s、滑動步長為10s。也就是說每10s就會生成一個(gè)窗口，計(jì)算最近30s內(nèi)的數(shù)據(jù)，每個(gè)窗口由3個(gè)RDD組成。

數(shù)據(jù)源構(gòu)建

1. 數(shù)據(jù)規(guī)范

假設(shè)我們采集了設(shè)備的指標(biāo)信息，這里我們只關(guān)注吞吐量和響應(yīng)時(shí)間，在采集之前定義數(shù)據(jù)字段和規(guī)范[throughput, response_time]，這里都定義成int類型，響應(yīng)時(shí)間單位這里定義成毫秒ms。

實(shí)際情況中，我們不可能只采集一臺設(shè)備，如果我們想要得出每臺或者每個(gè)種類設(shè)備的指標(biāo)監(jiān)控，就要在采集數(shù)據(jù)的時(shí)候?qū)γ總€(gè)設(shè)備加上唯一ID或者TypeID。

我這里的想法是對每臺設(shè)備的指標(biāo)進(jìn)行分析，所以我給每個(gè)設(shè)備都增加了一個(gè)唯一ID，最終字段[id, throughput, response_time]，所以我們就按照這個(gè)數(shù)據(jù)格式，在SparkStreaming中構(gòu)建數(shù)據(jù)源讀取部分。

2. 讀取kafka

代碼語言：scala

復(fù)制

val conf = new SparkConf().setAppName("aqi").setMaster("local[1]")
val ssc = new StreamingContext(conf, Seconds(10))
val kafkaParams = Map[String, Object](
  "bootstrap.servers" -> "121.91.168.193:9092",
  "key.deserializer" -> classOf[StringDeserializer],
  "value.deserializer" -> classOf[StringDeserializer],
  "group.id" -> "aqi",
  "auto.offset.reset" -> "earliest",
  "enable.auto.commit" -> (true: java.lang.Boolean)
)

val topics = Array("evt_monitor")
val stream: DStream[String] = KafkaUtils.createDirectStream[String, String](
  ssc,
  PreferConsistent,
  Subscribe[String, String](topics, kafkaParams)
).map(_.value)

這里我們將一個(gè)RDD時(shí)間間隔設(shè)置為10S，因?yàn)槭褂玫氖枪P記本跑，所以這里要將Master設(shè)置為local，表示本地運(yùn)行模式，1代表使用1個(gè)線程。

我們使用Kafka作為數(shù)據(jù)源，在讀取時(shí)就要構(gòu)建Consumer的config，像bootstrap.servers這些基本配置沒有什么好說的，關(guān)鍵的是auto.offset.reset和enable.auto.commit，

這兩個(gè)參數(shù)分表控制讀取topic消費(fèi)策略和是否提交offset。這里的earliest會從topic中現(xiàn)存最早的數(shù)據(jù)開始消費(fèi)，latest是最新的位置開始消費(fèi)。

當(dāng)重啟程序時(shí)，這兩種消費(fèi)模式又被enable.auto.commit控制，設(shè)置true提交offset時(shí)，earliest和latest不再生效，都是從消費(fèi)組記錄的offset進(jìn)行消費(fèi)。設(shè)置為false不提交offset，offset不被提交記錄earliest還是從topic中現(xiàn)存最早的數(shù)據(jù)開始消費(fèi)，latest還是從最新的數(shù)據(jù)消費(fèi)。

最后就是設(shè)置要讀取的topic和創(chuàng)建Kafka的DStream數(shù)據(jù)流。至此，整個(gè)數(shù)據(jù)源的讀取就已經(jīng)完成了，下面就是對數(shù)據(jù)處理邏輯的開發(fā)。

3. 指標(biāo)聚合計(jì)算

代碼語言：scala

復(fù)制

stream.map(x => {
      val s = x.split(",")
      (s(0), (s(2).toInt, 1))
    }).reduceByKey((x, y) => (x._1 + y._1, x._2 + y._2))
      .reduceByKeyAndWindow((x: (Int, Int), y: (Int, Int)) => (x._1 + y._1, x._2 + y._2), Seconds(30), Seconds(10))
    .foreachRDD(rdd => {
      rdd.foreach(x => {
        val id = x._1
        val responseTimes = x._2._1
        val num = x._2._2
        val responseTime_avg = responseTimes / num
        println(id, responseTime_avg)
      })
    })

我們從自身需求出發(fā)，來構(gòu)思程序邏輯的開發(fā)。從需求看，關(guān)鍵字無非是最近一段時(shí)間內(nèi)、平均值。想要取一段時(shí)間內(nèi)的數(shù)據(jù)，就要使用滑動窗口，以當(dāng)前時(shí)間為基準(zhǔn)，向前圈定時(shí)間范圍。

而平均值，無非就是將時(shí)間范圍內(nèi)，即窗口所有的響應(yīng)時(shí)間加起來，然后除以數(shù)據(jù)條數(shù)即可。想要把所有的響應(yīng)時(shí)間加起來，這里使用reduceByKey() 將窗口內(nèi)相同ID的設(shè)備時(shí)間相加，將數(shù)據(jù)條數(shù)進(jìn)行相加。

所以我在第一步切分?jǐn)?shù)據(jù)的時(shí)候，就將數(shù)據(jù)切分成KV的元組形式，V有兩個(gè)字段，第一個(gè)是響應(yīng)時(shí)間，第二個(gè)1表示一條數(shù)據(jù)。reduceByKey一共分為兩步，第一是RDD內(nèi)的reduceByKey，這也算是數(shù)據(jù)的預(yù)處理，RDD的數(shù)據(jù)只會計(jì)算一次，當(dāng)這個(gè)RDD被多個(gè)窗口使用，就不會重復(fù)計(jì)算了。第二步是基于窗口的reduceByKey，將窗口所有RDD的數(shù)據(jù)再一次聚合，最后在foreachRDD中獲取輸出

4. 驗(yàn)證結(jié)果

我們向kafka的evt_monitor這個(gè)topic中寫入數(shù)據(jù)。

備注：（最后11那個(gè)id是終端顯示問題，其實(shí)是1），然后可以輸出平均值。

驗(yàn)證結(jié)果是沒有問題的，換個(gè)角度，我們也可以從DAG來看。

這個(gè)窗口一共計(jì)算了3個(gè)RDD，其中左側(cè)的兩個(gè)是灰色的，上面是skipped標(biāo)識，代表著這兩個(gè)RDD在上一個(gè)窗口已經(jīng)計(jì)算完成了，在這個(gè)窗口只需要計(jì)算當(dāng)前的RDD，然后再一起對RDD的結(jié)果數(shù)據(jù)進(jìn)行窗口計(jì)算。

結(jié)語

本篇文章主要是利用Spark的滑動窗口，做了一個(gè)計(jì)算平均響應(yīng)時(shí)長的應(yīng)用場景，以Kafka作為數(shù)據(jù)源、通過滑動窗口和reduceByKey算子得以實(shí)現(xiàn)。同時(shí)，開發(fā)Spark還是強(qiáng)烈推薦scala，整個(gè)程序看起來沒有任何多余的部分。

最后對于Spark和Flink的選型看法，Spark的確是在實(shí)時(shí)性上比Flink差一些，但是Spark對于窗口計(jì)算還是有優(yōu)勢的。所以對于每種技術(shù)，也不用人云亦云，適合自己的才是最好的。

審核編輯 黃宇