SparkStreaming使用mapWithState时，设置timeout()无法生效问题解决方案

前言

当我在测试SparkStreaming的状态操作mapWithState算子时，当我们设置timeout(3s)的时候，3s过后数据还是不会过期，不对此key进行操作，等到30s左右才会清除过期的数据。

百度了很久，关于timeout的资料很少，更没有解决这个问题的文章，所以说，百度也不是万能的，有时候还是需要靠自己。

所以我就在周末研究了一下，然后将结果整理了出来，希望能帮助大家更全面的理解Spark状态计算。

mapWithState

按理说Spark Streaming实时处理，数据就像流水，每个批次之间的数据都是独立的，处理完就处理完了，不留下任何状态。但是免不了一些有状态的操作，例如统计从流启动到现在，某个单词出现了多少次，所以状态操作就出现了。

状态操作分为updateStateByKey和mapWithState，两者有着很大的区别。简单的来说，前者每次输出的都是全量状态，后者输出的是增量状态。

过期原理

过期这一块估计很多人开始都理解错了，我刚开始理解就是数据从出现，经过多少秒之后就会过期。其实不是，这里的过期指的是空闲时间。

注释大概是这个意思：timeout()传入一个时间间隔参数，如果一个key在大于此间隔没有此key的数据流入，则被认为是空闲的，就会单独调用一次mapWithState中的func来清除这些空闲数据状态。

先写结论

使用了timeout()之后，需要使用以下代码来在间隔内清除失效key。

stream.checkpoint(Seconds(6))

**checkpoint的时候，会开启全面扫描，才会对state中的失效key进行清理。**

测试

   val conf = new SparkConf().setMaster("local[2]").setAppName("state")

    val ssc = new StreamingContext(conf, Seconds(3))

    ssc.checkpoint("./tmp")

    val streams: DStream[(String, Int)] = ssc.socketTextStream("localhost", 9999)

      .map(x => (x, 1))



    val result = streams.mapWithState(StateSpec.function((k: String, v: Option[Int], state: State[Int]) => {

        val count = state.getOption().getOrElse(0)

        println(k)

        println(v)

        var sum = 0

        if (!state.isTimingOut()) {

          sum = count + v.get

          state.update(sum)

        } else {

          println("timeout")

        }

        Option(sum)

      })

      .timeout(Seconds(3))

    )

    // 这行代码是触发清除机制的关键

    // result.checkpoint(Seconds(6))

    result.print()

    ssc.start()

    ssc.awaitTermination()

使用上面的代码进行测试，设置过期时间为3s。但是3s过后发现key并没有过期，也不会被清除，大概30S之后被清除。

在9999端口输入一个tom后，不再进行任何操作。测试结果如下：

tom

Some(1)

-------------------------------------------

Time: 1618228587000 ms

-------------------------------------------

Some(1)





tom

None

timeout

-------------------------------------------

Time: 1618228614000 ms

-------------------------------------------

Some(0)

从测试结果可以看出，从输入到清除大概是27s。

我们现在将注释的代码放开，每6s进行checkpoint一次，输入tom：

tom

Some(1)

-------------------------------------------

Time: 1618228497000 ms

-------------------------------------------

Some(1)



tom

None

timeout

-------------------------------------------

Time: 1618228506000 ms

-------------------------------------------

Some(0)

从生成到清除用了9秒，正好是过期时间 + 下一个窗口时间，触发了checkpoint。

猜想

第一次学状态操作的时候，就考虑如何去掉一些过期的key，通过timeout()的方法没有完成自己想法，从网上也没有找到解决方案，所以就暂且搁置在一边了。后来又回过头来考虑这个问题，然后根据自己的想法去猜想、去验证。

1. 我先看的是mapWithState()的返回值

2. MapWithStateDStreamImpl

每个Dstream的计算逻辑都在compute()中，这里是调用了internalStream的getOrCompute()，根据继承关系，调用的是父类Dstream的此方法：

getOrCompute()主要功能为：计算、缓存、checkpoint。这里只需要记住几个地方：**checkpointDuration，即checkpoint间隔，和调用了checkpoint()**。其实真正的计算还是调用了compute()，接着去看compute()

3. InternalMapWithStateDStream

compute()里面也调用了getOrCompute()方法，其实和上面调用的一样，都是Dstream的，这里主要看的是使用createFromRDD()生成的StateRDD。

4. MapWithStateRDD

这个StateRDD就是参与状态计算的数据集合，首先看它是如何生成的：

再看看StateRDD的compute()是如何计算的：

从compute()看出，当**doFullScan为true的时候，才会触发过期key的清除，updateRecordWithData()负责全面扫描清除过期key**。

这不，思路就来了，我们只要找到开启FullScan的方法，不就可以自行触发清除机制了吗！

那么，我们先看看doFullScan的默认值：

默认是没开启的，接着通过快捷键看看哪些地方使用了doFullScan：

从图中看出，有两处代码修改了doFullScan，我们找到这两处代码：

第一个基本上排除，那么就剩下第二个：checkpoint()，我们要知道的是，**状态操作必须要checkpoint**。

还记得在2中的getOrCompute()吗，当checkpointDuration不为null的时候，调用checkpoint()。

我们来看3中InternalMapWithStateDStream是如何定义这个duration的：

如图，**sideDuration是窗口时间，乘以系数10就是默认的checkpoint时长**，所以当我设置窗口为3s时，checkpoint周期就是30s，30s才会清理一次过期key。

而通过checkpoint(interval)可以设置checkpoint的间隔，所以覆盖了上面程序中默认的30s。

5.MapWithStateRDDRecord

最后提一提，FullScan是在这个类中开启的，所以先看看这个Record的注释介绍：

意思就是负责存储StateRDD的状态KV，updateRecordWithData()负责清除过期的Record，我们来看看这个方法的实现：

removeTimedoutData就是是否开启全面扫描，即doFullScan的值。

结语

写完看起来感觉真的是简简单单，逻辑看起来也比较清晰，但是自己去解决这个问题的时候也是花了一下午时间，过期key的清除与checkpoint有关也是我凭空弄猜想，然后分析了两次，某一瞬间才找到他们之间的关系。所以说，猜想和运气还是很重要的。

当然，找不到关于这块的文章和资料可能是因为这个知识点太小了。所以这次过后，要开始系统阅读Spark源码了，也希望在某一天能结合着自己的理解，写一下Spark的文章。