实时流计算、Spark Streaming、Kafka、Redis、Exactly-once、实时去重

本文想记录和表达的东西挺多的，一时想不到什么好的标题，所以就用上面的关键字作为标题了。

在实时流式计算中，最重要的是在任何情况下，消息不重复、不丢失，即Exactly-once。本文以Kafka–>Spark Streaming–>Redis为例，一方面说明一下如何做到Exactly-once，另一方面说明一下我是如何计算实时去重指标的。

1. 关于数据源

数据源是文本格式的日志，由Nginx产生，存放于日志服务器上。在日志服务器上部署Flume Agent，使用TAILDIR Source和Kafka Sink，将日志采集到Kafka进行临时存储。日志格式如下：

2018-02-22T00:00:00+08:00~200~/test?pcid=DEIBAH&siteid=3

2018-02-22T00:00:00+08:00~200~/test?pcid=GLLIEG&siteid=3

2018-02-22T00:00:00+08:00~200~/test?pcid=HIJMEC&siteid=8

2018-02-22T00:00:00+08:00~200~/test?pcid=HMGBDE&siteid=3

2018-02-22T00:00:00+08:00~200~/test?pcid=HIJFLA&siteid=4

2018-02-22T00:00:01+08:00~200~/test?pcid=JCEBBC&siteid=9

2018-02-22T00:00:01+08:00~200~/test?pcid=KJLAKG&siteid=8

2018-02-22T00:00:01+08:00~200~/test?pcid=FHEIKI&siteid=3

2018-02-22T00:00:01+08:00~200~/test?pcid=IGIDLB&siteid=3

2018-02-22T00:00:01+08:00~200~/test?pcid=IIIJCD&siteid=5

日志是由测试程序模拟产生的，字段之间由~分隔。

2. 实时计算需求

分天、分小时PV；

分天、分小时、分网站(siteid)PV；

分天 UV；

3. Spark Streaming消费Kafka数据

http://spark.apache.org/docs/latest/streaming-kafka-0-10-integration.html

在Spark Streaming中消费Kafka数据，保证Exactly-once的核心有三点：

使用Direct方式连接Kafka；自己保存和维护Offset；更新Offset和计算在同一事务中完成；

后面的Spark Streaming程序（文章结尾），主要有以下步骤：

启动后，先从Redis中获取上次保存的Offset，Redis中的key为”topic_partition”，即每个分区维护一个Offset；

使用获取到的Offset，创建DirectStream；

在处理每批次的消息时，利用Redis的事务机制，确保在Redis中指标的计算和Offset的更新维护，在同一事务中完成。只有这两者同步，才能真正保证消息的Exactly-once。

./spark-submit \

--class com.lxw1234.spark.TestSparkStreaming \

--master local[2] \

--conf spark.streaming.kafka.maxRatePerPartition=20000 \

--jars /data1/home/dmp/lxw/realtime/commons-pool2-2.3.jar,\

/data1/home/dmp/lxw/realtime/jedis-2.9.0.jar,\

/data1/home/dmp/lxw/realtime/kafka-clients-0.11.0.1.jar,\

/data1/home/dmp/lxw/realtime/spark-streaming-kafka--10_2.11-2.2.1.jar\

/data1/home/dmp/lxw/realtime/testsparkstreaming.jar \

--executor-memory4G\

--num-executors1

在启动Spark Streaming程序时候，有个参数最好指定：

如果程序第一次运行，或者因为某种原因暂停了很久重新启动时候，会积累很多消息，如果这些消息同时被消费，很有可能会因为内存不够而挂掉，因此，需要根据实际的数据量大小，以及批次的间隔时间来设置该参数，以限定批次的消息量。

如果该参数设置20000，而批次间隔时间未10秒，那么每个批次最多从Kafka中消费20万消息。

4. Redis中的数据模型

分小时、分网站PV

普通K-V结构，计算时候使用incr命令递增，

Key为 “site_pv_网站ID_小时”，

如：site_pv_9_2018-02-21-00、site_pv_10_2018-02-21-01

该数据模型用于计算分网站的按小时及按天PV。

分小时PV

普通K-V结构，计算时候使用incr命令递增，

Key为“pv_小时”，如：pv_2018-02-21-14、pv_2018-02-22-03

该数据模型用于计算按小时及按天总PV。

分天UV

Set结构，计算时候使用sadd命令添加，

Key为”uv_天”，如：uv_2018-02-21、uv_2018-02-20

该数据模型用户计算按天UV（获取时候使用SCARD命令获取Set元素个数）

注：这些Key对应的时间，均由实际消息中的第一个字段（时间）而定。

5. 故障恢复

如果Spark Streaming程序因为停电、网络等意外情况终止而需要恢复，则直接重启即可；

如果因为其他原因需要重新计算某一时间段的消息，可以先删除Redis中对应时间段内的Key，然后从原始日志中截取该时间段内的消息，当做新消息添加至Kafka，由Spark Streaming程序重新消费并进行计算；

6. 附程序

依赖jar包：

commons-pool2-2.3.jar

jedis-2.9.0.jar

kafka-clients-0.11.0.1.jar

spark-streaming-kafka-0-10_2.11-2.2.1.jar

InternalRedisClient （Redis链接池）

TestSparkStreaming