1 業務背景
隨着大數據的快速發展，業務場景越來越複雜，離線式的批處理框架MapReduce已經不能滿足業務，大量的場景需要實時的數據處理結果來進行分析、決策。Spark Streaming是一種分佈式的大數據實時計算框架，他提供了動態的，高吞吐量的，可容錯的流式數據處理，不僅可以實現用戶行爲分析，還能在金融、輿情分析、網絡監控等方面發揮作用。個推開發者服務——消息推送“應景推送”正是應用了Spark Streaming技術，基於大數據分析人羣屬性，同時利用LBS地理圍欄技術，實時觸發精準消息推送，實現用戶的精細化運營。此外，個推在應用Spark Streaming做實時處理kafka數據時， 採用Direct模式代替Receiver模式的手段，實現了資源優化和程序穩定性提升。
本文將從Spark Streaming獲取kafka數據的兩種模式入手，結合個推實踐， 帶你解讀Receiver和Direct模式的原理和特點，以及從Receiver模式到Direct模式的優化對比。
2 兩種模式的原理和區別
Receiver模式
1. Receiver模式下的運行架構
1)InputDStream: 從流數據源接收的輸入數據。
2)Receiver：負責接收數據流，並將數據寫到本地。
3)Streaming Context：代表SparkStreaming，負責Streaming層面的任務調度，生成jobs發送到Spark engine處理。
4)Spark Context: 代表Spark Core，負責批處理層面的任務調度，真正執行job的Spark engine。
2. Receiver從kafka拉取數據的過程
該模式下：
1)在executor上會有receiver從kafka接收數據並存儲在Spark executor中，在到了batch時間後觸發job去處理接收到的數據，1個receiver佔用1個core；
2)爲了不丟數據需要開啓WAL機制，這會將receiver接收到的數據寫一份備份到第三方系統上（如：HDFS）；
3)receiver內部使用kafka High Level API去消費數據及自動更新offset。
Direct模式
1. Direct模式下的運行架構
與receiver模式類似，不同在於executor中沒有receiver組件，從kafka拉去數據的方式不同。
2. Direct從kafka拉取數據的過程
該模式下：
1)沒有receiver，無需額外的core用於不停地接收數據，而是定期查詢kafka中的每個partition的最新的offset，每個批次拉取上次處理的offset和當前查詢的offset的範圍的數據進行處理；
2)爲了不丟數據，無需將數據備份落地，而只需要手動保存offset即可；
3)內部使用kafka simple Level API去消費數據, 需要手動維護offset，kafka zk上不會自動更新offset。
Receiver與Direct模式的區別
1.前者在executor中有Receiver接受數據，並且1個Receiver佔用一個core；而後者無Receiver，所以不會暫用core；
2.前者InputDStream的分區是 num_receiver *batchInterval/blockInteral，後者的分區數是kafka topic partition的數量。Receiver模式下num_receiver的設置不合理會影響性能或造成資源浪費；如果設置太小，並行度不夠，整個鏈路上接收數據將是瓶頸；如果設置太多，則會浪費資源；
3.前者使用zookeeper來維護consumer的偏移量，而後者需要自己維護偏移量；
4.爲了保證不丟失數據，前者需要開啓WAL機制，而後者不需要，只需要在程序中成功消費完數據後再更新偏移量即可。
3 Receiver改造成Direct模式
個推使用Spark Streaming做實時處理kafka數據，先前使用的是receiver模式；
receiver有以下特點 ：
1.receiver模式下，每個receiver需要單獨佔用一個core；
2.爲了保證不丟失數據，需要開啓WAL機制，使用checkpoint保存狀態；
3.當receiver接受數據速率大於處理數據速率，導致數據積壓，最終可能會導致程序掛掉。
由於以上特點，receiver模式下會造成一定的資源浪費；使用checkpoint保存狀態, 如果需要升級程序，則會導致checkpoint無法使用；第3點receiver模式下會導致程序不太穩定；並且如果設置receiver數量不合理也會造成性能瓶頸在receiver。爲了優化資源和程序穩定性，應將receiver模式改造成direct模式。
修改方式如下：
1. 修改InputDStream的創建
將receiver的：
val kafkaStream = KafkaUtils.createStream(streamingContext, [ZK quorum], [consumer group id], [per-topic number of Kafka partitions to consume])
改成direct的：
val directKafkaStream = KafkaUtils.createDirectStream[ [key class], [value class], [key decoder class], [value decoder class] ]( streamingContext, [map of Kafka parameters], [set of topics to consume])
2. 手動維護offset
receiver模式代碼：
（receiver模式不需要手動維護offset，而是內部通過kafka consumer high level API 提交到kafka/zk保存）
kafkaStream.map { ... }.foreachRDD { rdd => // 數據處理 doCompute(rdd) }direct模式代碼：
directKafkaStream.map { ... }.foreachRDD { rdd => // 獲取當前rdd數據對應的offset val offsetRanges = rdd.asInstanceOf[HasOffsetRanges].offsetRanges // 數據處理 doCompute(rdd) // 自己實現保存offset commitOffsets(offsetRanges) }4 其他優化點
1. 在receiver模式下 ：
1)拆分InputDStream，增加Receiver，從而增加接收數據的並行度；
2)調整blockInterval，適當減小，增加task數量，從而增加並行度（在core的數量>task數量的情況下）；
3)如果開啓了WAL機制，數據的存儲級別設置爲MOMERY_AND_DISK_SER。
2.數據序列化 使用Kryoserializationl ，相比Java serializationl 更快，序列化後的數據更小；
3.建議 使用CMS垃圾回收器 降低GC開銷；
4. 選擇高性能的算子 (mapPartitions, foreachPartitions, aggregateByKey等)；
5. repartition的使用： 在streaming程序中因爲batch時間特別短，所以數據量一般較小，所以repartition的時間短，可以解決一些因爲topicpartition中數據分配不均勻導致的數據傾斜問題；
鄭州婦科醫院：http://jbk.39.net/yiyuanzaixian/sysdfkyy/
6.因爲SparkStreaming生產的job最終都是在sparkcore上運行的，所以 sparkCore的優化 也很重要；
7. BackPressure流控
1)爲什麼引入Backpressure？
當batch processing time>batchinterval 這種情況持續過長的時間，會造成數據在內存中堆積，導致Receiver所在Executor內存溢出等問題；
2)Backpressure：根據JobScheduler反饋作業的執行信息來動態調整數據接收率；
3)配置使用：
spark.streaming.backpressure.enabled含義： 是否啓用 SparkStreaming內部的backpressure機制，默認值：false ,表示禁用spark.streaming.backpressure.initialRate含義： receiver 爲第一個batch接收數據時的比率spark.streaming.receiver.maxRate含義： receiver接收數據的最大比率，如果設置值<=0, 則receiver接收數據比率不受限制spark.streaming.kafka.maxRatePerPartition含義： 從每個kafka partition中讀取數據的最大比率
8.speculation機制
spark內置speculation機制，推測job中的運行特別慢的task，將這些task kill，並重新調度這些task執行。
默認speculation機制是關閉的，通過以下配置參數開啓：
spark.speculation=true
注意 ：在有些情況下，開啓speculation反而效果不好，比如：streaming程序消費多個topic時，從kafka讀取數據直接處理，沒有重新分區，這時如果多個topic的partition的數據量相差較大那麼可能會導致正常執行更大數據量的task會被認爲執行緩慢，而被中途kill掉，這種情況下可能導致batch的處理時間反而變長；可以通過repartition來解決這個問題，但是要衡量repartition的時間；而在streaming程序中因爲batch時間特別短，所以數據量一般較小，所以repartition的時間短，不像spark_batch一次處理大量數據一旦repartition則會特別久，所以最終還是要根據具體情況測試來決定。
5 總結
將Receiver模式改成Direct模式，實現了資源優化，提升了程序的穩定性，缺點是需要自己管理offset，操作相對複雜。 未來，個推將不斷探索和優化Spark Streaming技術，發揮其強大的數據處理能力，爲建設實時數倉提供保障。