将批处理RDD的结果与Apache Spark中的流式RDD相结合

Question

上下文：我使用ApacheSpark从日志中聚合不同事件类型的运行计数。日志存储在Cassandra中用于历史分析，存储在Kafka中用于实时分析。每个日志都有一个日期和事件类型。为了简单起见，让我们假设我想跟踪每天单个类型的日志的数量。

我们有两个RDD，一个是Cassandra的批处理数据RDD，另一个是Kafka的流式RDD。伪码：

CassandraJavaRDD<CassandraRow> cassandraRowsRDD = CassandraJavaUtil.javaFunctions(sc).cassandraTable(KEYSPACE, TABLE).select("date", "type");
JavaPairRDD<String, Integer> batchRDD = cassandraRowsRDD.mapToPair(new PairFunction<CassandraRow, String, Integer>() {
    @Override
    public Tuple2<String, Integer> call(CassandraRow row) {
        return new Tuple2<String, Integer>(row.getString("date"), 1);
    }
}).reduceByKey(new Function2<Integer, Integer, Integer>() {
    @Override
    public Integer call(Integer count1, Integer count2) {
        return count1 + count2;
    }
});
save(batchRDD) // Assume this saves the batch RDD somewhere
...
// Assume we read a chunk of logs from the Kafka stream every x seconds.
JavaPairReceiverInputDStream<String, String> kafkaStream =  KafkaUtils.createStream(...);
JavaPairDStream<String, Integer> streamRDD = kafkaStream.flatMapToPair(new PairFlatMapFunction<Tuple2<String, String>, String, Integer>() {
    @Override
    public Iterator<Tuple2<String, Integer> call(Tuple2<String, String> data) {
        String jsonString = data._2;
        JSON jsonObj = JSON.parse(jsonString);
        Date eventDate = ... // get date from json object
        // Assume startTime is broadcast variable that is set to the time when the job started.
        if (eventDate.after(startTime.value())) { 
            ArrayList<Tuple2<String, Integer>> pairs = new ArrayList<Tuple2<String, Integer>>();
            pairs.add(new Tuple2<String, Integer>(jsonObj.get("date"), 1));
            return pairs;
        } else {
            return new ArrayList<Tuple2<String, Integer>>(0); // Return empty list when we ignore some logs
        }
    }
}).reduceByKey(new Function2<Integer, Integer, Integer>() {
    @Override
    public Integer call(Integer count1, Integer count2) {
        return count1 + count2;
    }
}).updateStateByKey(new Function2<List<Integer>, Optional<List<Integer>>, Optional<Integer>>() {
    @Override
    public Optional<Integer> call(List<Integer> counts, Optional<Integer> state) {
        Integer previousValue = state.or(0l);
        Integer currentValue = ... // Sum of counts
        return Optional.of(previousValue + currentValue);
    }
});
save(streamRDD); // Assume this saves the stream RDD somewhere
sc.start();
sc.awaitTermination();

问题：如何将streamRDD的结果与batchRDD组合假设batchRDD有以下数据，此作业在2014-10-16运行：

("2014-10-15", 1000000)
("2014-10-16", 2000000)

由于Cassandra查询只包括截至批处理查询开始时间的所有数据，因此我们必须在查询完成时读取Kafka，只考虑作业开始时间后的日志。我们假设查询需要很长时间。这意味着我需要将历史结果与流媒体结果相结合。

举例说明：

    |------------------------|-------------|--------------|--------->
tBatchStart             tStreamStart   streamBatch1  streamBatch2

然后假设在第一批流中，我们得到了以下数据：

("2014-10-19", 1000)

然后我想把批RDD和这个流RDD结合起来，这样流RDD现在就有了值：

("2014-10-19", 2001000)

然后假设在第二批流中，我们得到了以下数据：

("2014-10-19", 4000)

然后，流RDD应该更新为具有以下值：

("2014-10-19", 2005000)

等等…

使用streamRDD.transformToPair(...)可以使用join将streamRDD数据与batchRDD数据组合，但如果我们对每个流块都这样做，那么我们将为每个流块添加来自batchRDD的计数，从而使状态值"重复计数"，而状态值只应添加到第一个流块。

Answer 1

为了解决这种情况，我将基础rdd与保持流数据总量的聚合StateDStream的结果联合起来。这有效地为在每个流式传输间隔上报告的数据提供了基线，而不计算所述基线x次。

我使用示例WordCount尝试了这个想法，它很有效。把这个放在REPL上，举个例子：

（使用单独外壳上的nc -lk 9876为socketTextStream提供输入）

import org.apache.spark.SparkConf
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.streaming.StreamingContext._
import org.apache.spark.storage.StorageLevel
@transient val defaults = List("magic" -> 2, "face" -> 5, "dust" -> 7 )
val defaultRdd = sc.parallelize(defaults)
@transient val ssc = new StreamingContext(sc, Seconds(10))
ssc.checkpoint("/tmp/spark")
val lines = ssc.socketTextStream("localhost", 9876, StorageLevel.MEMORY_AND_DISK_SER)
val words = lines.flatMap(_.split(" "))
val wordCount = words.map(x => (x, 1)).reduceByKey(_ + _)
val historicCount = wordCount.updateStateByKey[Int]{(newValues: Seq[Int], runningCount: Option[Int]) => 
    Some(newValues.sum + runningCount.getOrElse(0))
}
val runningTotal = historicCount.transform{ rdd => rdd.union(defaultRdd)}.reduceByKey( _+_ )
wordCount.print()
historicCount.print()
runningTotal.print()
ssc.start()

Answer 2

您可以尝试updateStateByKey：

def main(args: Array[String]) {
    val updateFunc = (values: Seq[Int], state: Option[Int]) => {
        val currentCount = values.foldLeft(0)(_ + _)
        val previousCount = state.getOrElse(0)
        Some(currentCount + previousCount)
    }
    // stream
    val ssc = new StreamingContext("local[2]", "NetworkWordCount", Seconds(1))
    ssc.checkpoint(".")
    val lines = ssc.socketTextStream("127.0.0.1", 9999)
    val words = lines.flatMap(_.split(" "))
    val pairs = words.map(word => (word, 1))
    val stateWordCounts = pairs.updateStateByKey[Int](updateFunc)
    stateWordCounts.print()
    ssc.start()
    ssc.awaitTermination()
}