在Spark Streaming程序中，我們經常需要使用有狀態的流來統計一些累積性的指標，比如各個商品的PV。簡單的代碼描述如下，使用mapWithState()算子：
val productPvStream = stream.mapPartitions(records => {
var result = new ListBuffer[(String, Int)]
for (record <- records) {
result += Tuple2(record.key(), 1)
}
result.iterator
}).reduceByKey(_ + _).mapWithState(
StateSpec.function((productId: String, pv: Option[Int], state: State[Int]) => {
val sum = pv.getOrElse(0) + state.getOption().getOrElse(0)
state.update(sum)
(productId, sum)
})).stateSnapshots()
現在的問題是，PV並不是一直累加的，而是每天歸零，重新統計數據。要達到在凌晨0點清除狀態的目的，有以下兩種方法。
編寫腳本重啓Streaming程序
用crontab、Azkaban等在凌晨0點調度執行下面的Shell腳本：
stream_app_name='com.xyz.streaming.MallForwardStreaming'
cnt=`ps aux | grep SparkSubmit | grep ${stream_app_name} | wc -l`
if [ ${cnt} -eq 1 ]; then
pid=`ps aux | grep SparkSubmit | grep ${stream_app_name} | awk '{print $2}'`
kill -9 ${pid}
sleep 20
cnt=`ps aux | grep SparkSubmit | grep ${stream_app_name} | wc -l`
if [ ${cnt} -eq 0 ]; then
nohup sh /path/to/streaming/bin/mall_forward.sh > /path/to/streaming/logs/mall_forward.log 2>&1
fi
fi
這種方式最簡單，也不需要對程序本身做任何改動。但隨着同時運行的Streaming任務越來越多，就會顯得越來越累贅了。
給StreamingContext設置超時
在程序啓動之前，先計算出當前時間點距離第二天凌晨0點的毫秒數：
def msTillTomorrow = {
val now = new Date()
val tomorrow = new Date(now.getYear, now.getMonth, now.getDate + 1)
tomorrow.getTime - now.getTime
}
然後將Streaming程序的主要邏輯寫在while(true)循環中，並且不像平常一樣調用StreamingContext.awaitTermination()方法，而改用awaitTerminationOrTimeout()方法，即：
while (true) {
val ssc = new StreamingContext(sc, Seconds(BATCH_INTERVAL))
ssc.checkpoint(CHECKPOINT_DIR)
// ...處理邏輯...
ssc.start()
ssc.awaitTerminationOrTimeout(msTillTomorrow)
ssc.stop(false, true)
Thread.sleep(BATCH_INTERVAL * 1000)
}
在經過msTillTomorrow毫秒之後，StreamingContext就會超時，再調用其stop()方法（注意兩個參數，stopSparkContext表示是否停止關聯的SparkContext，stopGracefully表示是否優雅停止），就可以停止並重啓StreamingContext。
以上兩種方法都是仍然採用Spark Streaming的機制進行狀態計算的。如果其他條件允許的話，我們還可以拋棄mapWithState()，直接藉助外部存儲自己維護狀態。比如將Redis的Key設計爲product_pv:[product_id]:[date]，然後在Spark Streaming的每個批次中使用incrby指令，就能方便地統計PV了，不必考慮定時的問題。