欢迎您关注《大数据成神之路》
引言
我们知道,持续查询的驱动引擎StreamExecution 会持续不断地驱动每个批次的执行。
对于不需要跨批次的持续查询,如 map()
, filter()
等,每个批次之间的执行相互独立,不需要状态支持。而比如类似 count()
的聚合式持续查询,则需要跨批次的状态支持,这样本批次的执行只需依赖上一个批次的结果,而不需要依赖之前所有批次的结果。这也即增量式持续查询,能够将每个批次的执行时间稳定下来,避免越后面的批次执行时间越长的情形。
增量式持续查询的思路和实现:
而在这里面的 StateStore,即是 Structured Streaming 用于保存跨批次状态结果的模块组件。本文解析 StateStore 模块。
StateStore 模块的总体思路:
operatorId
+partitionId
为切分依据UnsafeRow
(可以理解为 SparkSQL 里的 Object 通用类型),可以按 key 查询、或更新关于 StateStore 的 operator, partiton, version 有一个图片可帮助理解:
在 StreamExecution 执行过程中,随时在 operator 实际执行的 executor 节点上唤起一个状态存储分片、并读入前一个版本的数据即可(如果 executor 上已经存在一个分片,那么就直接重用,不用唤起分片、也不用读入数据了)。
我们上节讲过,持久化的状态是在 HDFS 上的。那么如上图所示:
executor a
, 唤起了 operator = 1, partition = 1
的状态存储分片,从 HDFS 里位于本机的数据副本 load 进来 version = 5
的数据;executor b
;executor c
需要从 executor b
的硬盘上 load 数据;executor d
和 executor a
即是读入了同一份数据 —— 推测执行时就容易产生这种情况 —— 这时也不会产生问题,因为 load 进来的是同一份数据,然后在两个节点上各自修改,最终只会有一个节点能够成功提交对状态的修改。我们前面也讲过,在一个状态存储分片里,是 key-value 的 store。这个 key-value 的 store 支持如下操作:
/* == CRUD 增删改查 =============================== */
// 查询一条 key-value
def get(key: UnsafeRow): Option[UnsafeRow]
// 新增、或修改一条 key-value
def put(key: UnsafeRow, value: UnsafeRow): Unit
// 删除一条符合条件的 key-value
def remove(condition: UnsafeRow => Boolean): Unit
// 根据 key 删除 key-value
def remove(key: UnsafeRow): Unit
/* == 批量操作相关 =============================== */
// 提交当前执行批次的所有修改,将刷出到 HDFS,成功后版本将自增
def commit(): Long
// 放弃当前执行批次的所有修改
def abort(): Unit
// 当前状态分片、当前版本的所有 key-value 状态
def iterator(): Iterator[(UnsafeRow, UnsafeRow)]
// 当前状态分片、当前版本比上一个版本的所有增量更新
def updates(): Iterator[StoreUpdate]
使用 StateStore 的代码可以这样写(现在都是 Structured Streaming 内部实现在使用 StateStore,上层用户无需面对这些细节):
// 在最开始,获取正确的状态分片(按需重用已有分片或读入新的分片)
val store = StateStore.get(StateStoreId(checkpointLocation, operatorId, partitionId), ..., version, ...)
// 开始进行一些更改
store.put(...)
store.remove(...)
// 更改完成,批量提交缓存在内存里的更改到 HDFS
store.commit()
// 查看当前状态分片的所有 key-value / 刚刚更新了的 key-value
store.iterator()
store.updates()
我们看到,前面 StateStore 在写出状态的更新时,是写出的修改流水 log。
StateStore 本身也带了 maintainess 即维护模块,会周期性的在后台将过去的状态和最近若干版本的流水 log 进行合并,并把合并后的结果重新写回到 HDFS:old_snapshot + delta_a + delta_b + … => lastest_snapshot
。
这个过程跟 HBase 的 major/minor compact 差不多,但还没有区别到 major/minor 的粒度。
StateStore 的所有状态以 HDFS 为准。如果某个状态分片在更新过程中失败了,那么还没有写出的更新会不可见。
恢复时也是从 HDFS 读入最近可见的状态,并配合 StreamExecution 的执行批次重做。从另一个角度说,就是大家 —— 输入数据、及状态存储 —— 先统一往后会退到本执行批次刚开始时的状态,然后重新计算。当然这里重新计算的粒度是 Spark 的单个 task,即一个 partition 的输入数据 + 一个 partition 的状态存储。
从 HDFS 读入最近可见的状态时,如果有最新的 snapshot,也就用最新的 snapshot,如果没有,就读入稍旧一点的 snapshot 和新的 deltas,先做一下最新状态的合并。
在 Structured Streaming 里,StateStore 模块提供了 分片的、分版本的、可迁移的、高可用 key-value store。
基于这个 StateStore 模块,StreamExecution 实现了 增量的 持续查询、和很好的故障恢复以维护 end-to-end exactly-once guarantees。