持久化火花流输出

Question

我正在从一个消息应用程序中收集数据，我现在使用的是Flume，它每天发送大约5000万条记录

我希望使用Kafka，使用星火流从Kafka消费，并将其持久化到hadoop并使用黑斑羚进行查询。

我对我尝试过的每一种方法都有异议。

方法1-将RDD保存为拼花，将外部单元格拼板表指向parquet目录。

// scala
val ssc =  new StreamingContext(sparkConf, Seconds(bucketsize.toInt))
val lines = KafkaUtils.createStream(ssc, zkQuorum, group, topicMap).map(_._2)
lines.foreachRDD(rdd => {

    // 1 - Create a SchemaRDD object from the rdd and specify the schema
    val SchemaRDD1 = sqlContext.jsonRDD(rdd, schema)

    // 2 - register it as a spark sql table
    SchemaRDD1.registerTempTable("sparktable")

    // 3 - qry sparktable to produce another SchemaRDD object of the data needed 'finalParquet'. and persist this as parquet files
    val finalParquet = sqlContext.sql(sql)
    finalParquet.saveAsParquetFile(dir)

问题是finalParquet.saveAsParquetFile输出了大量的文件，从Kafka接收到的Dstream输出了200多个文件，批量大小为1分钟。它输出许多文件的原因是因为计算是分布式的，正如另一个how to make saveAsTextFile NOT split output into multiple file?后解释的那样。

但是，对于我来说，所提供的解决方案似乎并不理想，例如，作为一个用户状态--只有在数据很少的情况下，拥有单个输出文件才是个好主意。

方法2-使用HiveContext。将RDD数据直接插入到单元表中。

# python
sqlContext = HiveContext(sc)
ssc = StreamingContext(sc, int(batch_interval))
kvs = KafkaUtils.createStream(ssc, zkQuorum, group, {topics: 1})
lines = kvs.map(lambda x: x[1]).persist(StorageLevel.MEMORY_AND_DISK_SER)
lines.foreachRDD(sendRecord)

def sendRecord(rdd):

  sql = "INSERT INTO TABLE table select * from beacon_sparktable"

  # 1 - Apply the schema to the RDD creating a data frame 'beaconDF'
  beaconDF = sqlContext.jsonRDD(rdd,schema)

  # 2- Register the DataFrame as a spark sql table.
  beaconDF.registerTempTable("beacon_sparktable")

  # 3 - insert to hive directly from a qry on the spark sql table
  sqlContext.sql(sql);

这很好，它直接插入到一个拼花表，但是当处理时间超过批处理间隔时间时，批处理会出现调度延迟。消费者跟不上正在生产的产品，需要加工的批次开始排队。

似乎写到蜂箱的速度太慢了。我尝试过调整批处理间隔大小，运行更多的使用者实例。

总而言之

考虑到存在多个文件的问题和写入蜂窝的潜在延迟，从Spark流中持久化大数据的最佳方法是什么？其他人在做什么？

这里也提出了一个类似的问题，但是他对目录有一个问题，因为目录被附加到太多的How to make Spark Streaming write its output so that Impala can read it?文件中。

非常感谢你的帮助

Answer 1

在解决方案2中，可以通过每个RDD的分区数来控制创建的文件数量。

参见此示例：

// create a Hive table (assume it's already existing)
sqlContext.sql("CREATE TABLE test (id int, txt string) STORED AS PARQUET")

// create a RDD with 2 records and only 1 partition
val rdd = sc.parallelize(List( List(1, "hello"), List(2, "world") ), 1)

// create a DataFrame from the RDD
val schema = StructType(Seq(
 StructField("id", IntegerType, nullable = false),
 StructField("txt", StringType, nullable = false)
))
val df = sqlContext.createDataFrame(rdd.map( Row(_:_*) ), schema)

// this creates a single file, because the RDD has 1 partition
df.write.mode("append").saveAsTable("test")

现在，我想您可以使用从Kafka提取数据的频率，以及每个RDD的分区数(默认值，您的Kafka主题的分区，您可以通过重新分区来减少这些分区)。

我使用CDH5.5.1中的Spark1.5，使用df.write.mode("append").saveAsTable("test")或string获得相同的结果。

Answer 2

我认为这个小文件问题可以有所解决。您可能会得到大量基于kafka分区的文件。对我来说，我有12个分区Kafka主题，我用spark.write.mode("append").parquet("/location/on/hdfs")编写。

现在，根据您的需求，您可以添加coalesce(1)或更多来减少文件数量。另外一种选择是增加微批次的持续时间。例如，如果你可以接受5分钟的延迟写一天，你可以有300秒的小批。

对于第二个问题，批排队只是因为您没有启用背压。首先，您应该验证在单个批处理中可以处理的最大值是什么。一旦您能够绕过这个数字，您就可以设置spark.streaming.kafka.maxRatePerPartition值和spark.streaming.backpressure.enabled=true，以启用每个微批处理的有限记录数。如果您仍然不能满足需求，那么唯一的选择是增加主题上的分区，或者增加星火应用程序上的资源。