Spark Streaming高級特性在NDCG計算實踐

從storm到spark streaming，再到flink，流式計算得到長足發展， 依托于spark平臺的spark streaming走出了一條自己的路，其借鑒了spark批處理架構，通過批處理方式實現了實時處理框架。為進一步了解spark streaming的相關內容，飛馬網于3月20日晚邀請到歷任百度大數據的高級工程師—王富平，在線上直播中，王老師針對spark streaming高級特性以及ndcg計算實踐進行了分享。

以下是本次直播的主要內容：

一.Spark Streaming簡介

1.spark是什么？

spark就是一個批處理框架，它具有高性能、生態豐富的優勢。

在沒有spark之前，我們是怎么做大數據分析的呢？其實在沒有spark之前，我們用的是基于Hadoop的MapReduce框架來做數據分析。時至今日，傳統的MapReduce任務并沒有完全退出市場，在一些數據量非常大的場景下，MapReduce表現地還是相當穩定的。

2.spark streaming是什么？

spark streaming是按時間對數據進行分批處理的框架，.spark平臺帶來的優勢，使得spark streaming開發簡單、廣泛使用。

spark streaming的實現方式是基于spark的批處理理念，因此它可以直接使用spark平臺提供的工具組件。

通過上面這張圖，我們可以把spark streaming的輸入當成一個數據流，通過時間將數據進行分批處理，分批時間根據我們自己的業務情況而定。

3.WordCount的例子：

下面舉一個WordCount的例子，我們可以看到，短短幾行代碼，就實現了一個WordCount。由于spark平臺與Hadoop是直接打通的，我們可以很方便地把數據保存到HDFS或數據庫里，只需要運維一套spark平臺，我們就可以既做實時任務，又做離線分析任務，比較方便。

二.Spark Streaming的高級特性

1.Window特性:

基于上面簡單的WordCount例子，我們升級一下，假設我們需要每十秒鐘統計一次單詞在前一分鐘內出現次數，這個需求不是簡單的WordCount能夠實現的，這時候，我們就要使用到spark streaming提供的Window機制。

關于spark streaming的Window特性，有三個參數需要注意：Batch Internal（分批時間間隔）、Window width（窗口長度）、Sliding Internal（窗口滑動間隔）。根據剛才的需求，窗口長度是60s，窗口滑動間隔是10s，分批時間間隔是1s，這里需要注意，分批時間間隔必須能被窗口長度和窗口滑動間隔整除。

通過講述，或許你感覺Window特性有些復雜，但實際上，創建一個窗口的流是非常簡單的，下面的兩張圖，是關于創建Window數據流和Window相關計算函數的，可以簡單了解下。

下面這張圖片是計算30s窗口期內的請求失敗率。我們看一下它的參數，窗口時間設置為30s，滑動間隔是2s。整個代碼非常簡單，只需要多加一行代碼，就能實現窗口流，之后這個流就能做一些正常計算。

我們簡單讀一下這個函數，首先創建一個窗口流，之后在任務里面計算失敗的條數，用它來除以總條數，就得到請求失敗率。

2.Sql特性：

spark streaming的第二個特性就是Sql特性，spark streaming把數據封裝成DataFrame之后，天然就可以使用spark sql特性。

想完整使用寫sql的方式，我們首先要注冊臨時表。我們注冊的臨時表還可以與我們建的多張臨時表做join關聯，比較實用。

使用sql，自定義函數會給我們帶來很多擴展性，定義UDF有兩種方式：加載jar包UDF和動態定義UDF。

4.CheckPoint機制：

Spark通過使用CheckPoint保存處理狀態甚至當前處理數據，一旦任務失敗后，可以利用CheckPoint對數據進行恢復。我們做數據處理，數據可靠性是很重要的，必須保證數據不丟失，Spark的CheckPoint機制就是幫助我們保障數據安全的。

CheckPoint機制主要有兩種：

那么怎么去實現CheckPoint機制呢？

有以下三個條件：

我們來對比一下有WAL和無WAL的兩張圖。實際上有WAL，它首先會把數據先存到HDFS，然后對任務邏輯進行備份，再去執行處理，任務失敗時，它會根據CheckPoint的數據，去讀HDFS保存的數據，進行任務恢復。但實際上，這樣會有缺點，一方面是降低了receivers的性能，另一方面它只能保證At-Least-Once，不能保證exactly-once。

針對WAL的缺點，spark streaming對kafka進行優化，提供了Kafka direct API，性能大大提升。

三.NDCG指標計算

1.NDCG是什么？

下面兩張圖片，是NDCG計算的具體例子。

2.NDCG在spark streaming實現：

我們如何用spark streaming實現NDCG計算呢？首先我們做了一個數據調研。

開始進行NDCG計算。

3.NDCG性能保障：

我們開發一個數據任務，不是靜態工作，要保障數據的穩定性，根據數據的情況，做一個容量預估，以保證數據的性能。容量預估是一個必不可少的步驟。

我們最常見的容量調節。

在NDCG指標計算過程中，我們還會遇到一些問題，就是NDCG支持四個維度的組合計算，維度組合較多、較復雜。

這時候，多維分析就要借助于我們的OLAP引擎，目前我們使用的是Druid。

以上三大部分，就是這次線上直播分享的主要內容，在最后，王老師還針對大家提出的問題進行了一一解答，都有些什么問題呢？我們一起來看一下。

1.每間隔5s讀一批數據，需要遍歷每天數據進行各種計算分析，計算的結果還需要緩存作為下一次計算的參考，怎么實現？

王老師：這是一個實時任務，需要存儲狀態數據的話，有幾種實現方式，第一個是spark streaming有保存狀態數據的機制，第二種方式是，你可以把狀態數據保存在一些KV數據庫里，比如說spark等，也可以通過這種方式自己實現，不管哪條路，關鍵在于怎么實現。

2.學spark有推薦的上船方式么？

王老師：大家不要把spark看得那么神奇，java8里面提供的stream處理方式相關知識，和寫spark沒有多大區別，原理都是一樣的，你理解了java8怎么寫、stream處理的各種方法和計算邏輯，那么你就能理解spark streaming里的各種計算邏輯，spark streaming唯一高大上的就是它做的分布式。

3. spark streaming 將來最有可能被什么技術取代？

王老師：每個平臺都有各自的優缺點，目前來看，雖然Flink比較火，但是Storm依然存在，Spark也有自己所適合的場景，Flink也有它本身先進的機制，所以說，各有優勢。

最后，王老師向大家推薦了關于scala最經典的一本書—《programming in scala》，本次針對 spark streaming的直播內容簡明且有針對性，相信你一定收獲頗多。想了解更多更詳細內容的小伙伴們，可以關注服務號：FMI飛馬網，點擊菜單欄飛馬直播，即可進行學習。