眼下大數(shù)據(jù)領(lǐng)域最熱門(mén)的詞匯之一便是流計(jì)算了，而其中最耀眼的無(wú)疑是來(lái)自Spark社區(qū)的SparkStreaming項(xiàng)目。 對(duì)于流計(jì)算而言，最核心的特點(diǎn)毫無(wú)疑問(wèn)就是它對(duì)低時(shí)的需求，但這也帶來(lái)了相關(guān)的數(shù)據(jù)可靠性問(wèn)題。

2Driver HA

由于流計(jì)算系統(tǒng)是長(zhǎng)期運(yùn)行、且不斷有數(shù)據(jù)流入，因此其Spark守護(hù)進(jìn)程(Driver)的可靠性至關(guān)重要，它決定了Streaming程序能否一直正確地運(yùn)行下去。

Driver實(shí)現(xiàn)HA的解決方案就是將元數(shù)據(jù)持久化，以便重啟后的狀態(tài)恢復(fù)。如圖一所示，Driver持久化的元數(shù)據(jù)包括：

Block元數(shù)據(jù)(圖1中的綠色箭頭)：Receiver從網(wǎng)絡(luò)上接收到的數(shù)據(jù)，組裝成Block后產(chǎn)生的Block元數(shù)據(jù);

Checkpoint數(shù)據(jù)(圖1中的橙色箭頭)：包括配置項(xiàng)、DStream操作、未完成的Batch狀態(tài)、和生成的RDD數(shù)據(jù)等;

Driver失敗重啟后：

恢復(fù)計(jì)算(圖2中的橙色箭頭)：使用Checkpoint數(shù)據(jù)重啟driver，重新構(gòu)造上下文并重啟接收器。

恢復(fù)元數(shù)據(jù)塊(圖2中的綠色箭頭)：恢復(fù)Block元數(shù)據(jù)。

恢復(fù)未完成的作業(yè)(圖2中的紅色箭頭)：使用恢復(fù)出來(lái)的元數(shù)據(jù)，再次產(chǎn)生RDD和對(duì)應(yīng)的job，然后提交到Spark集群執(zhí)行。

通過(guò)如上的數(shù)據(jù)備份和恢復(fù)機(jī)制，Driver實(shí)現(xiàn)了故障后重啟、依然能恢復(fù)Streaming任務(wù)而不丟失數(shù)據(jù)，因此提供了系統(tǒng)級(jí)的數(shù)據(jù)高可靠。

可靠的上下游IO系統(tǒng)

流計(jì)算主要通過(guò)網(wǎng)絡(luò)socket通信來(lái)實(shí)現(xiàn)與外部IO系統(tǒng)的數(shù)據(jù)交互。由于網(wǎng)絡(luò)通信的不可靠特點(diǎn)，發(fā)送端與接收端需要通過(guò)一定的協(xié)議來(lái)保證數(shù)據(jù)包的接收確認(rèn)和失敗重發(fā)機(jī)制。

不是所有的IO系統(tǒng)都支持重發(fā)，這至少需要實(shí)現(xiàn)數(shù)據(jù)流的持久化，同時(shí)還要實(shí)現(xiàn)高吞吐和低時(shí)延。在SparkStreaming官方支持的data source里面，能同時(shí)滿足這些要求的只有Kafka，因此在最近的SparkStreaming release里面，也是把Kafka當(dāng)成推薦的外部數(shù)據(jù)系統(tǒng)。

除了把Kafka當(dāng)成輸入數(shù)據(jù)源(inbound data source)之外，通常也將其作為輸出數(shù)據(jù)源(outbound data source)。所有的實(shí)時(shí)系統(tǒng)都通過(guò)Kafka這個(gè)MQ來(lái)做數(shù)據(jù)的訂閱和分發(fā)，從而實(shí)現(xiàn)流數(shù)據(jù)生產(chǎn)者和消費(fèi)者的解耦。

一個(gè)典型的企業(yè)大數(shù)據(jù)中心數(shù)據(jù)流向視圖如圖3所示：

除了從源頭保證數(shù)據(jù)可重發(fā)之外，Kafka更是流數(shù)據(jù)Exact Once語(yǔ)義的重要保障。Kafka提供了一套低級(jí)API，使得client可以訪問(wèn)topic數(shù)據(jù)流的同時(shí)也能訪問(wèn)其元數(shù)據(jù)。SparkStreaming每個(gè)接收的任務(wù)都可以從指定的Kafka topic、partition和offset去獲取數(shù)據(jù)流，各個(gè)任務(wù)的數(shù)據(jù)邊界很清晰，任務(wù)失敗后可以重新去接收這部分?jǐn)?shù)據(jù)而不會(huì)產(chǎn)生“重疊的”數(shù)據(jù)，因而保證了流數(shù)據(jù)“有且僅處理一次”。

可靠的接收器

在Spark 1.3版本之前，SparkStreaming是通過(guò)啟動(dòng)專(zhuān)用的Receiver任務(wù)來(lái)完成從Kafka集群的數(shù)據(jù)流拉取。

Receiver任務(wù)啟動(dòng)后，會(huì)使用Kafka的高級(jí)API來(lái)創(chuàng)建topicMessageStreams對(duì)象，并逐條讀取數(shù)據(jù)流緩存，每個(gè)batchInerval時(shí)刻到來(lái)時(shí)由JobGenerator提交生成一個(gè)spark計(jì)算任務(wù)。

由于Receiver任務(wù)存在宕機(jī)風(fēng)險(xiǎn)，因此Spark提供了一個(gè)高級(jí)的可靠接收器-ReliableKafkaReceiver類(lèi)型來(lái)實(shí)現(xiàn)可靠的數(shù)據(jù)收取，它利用了Spark 1.2提供的WAL(Write Ahead Log)功能，把接收到的每一批數(shù)據(jù)持久化到磁盤(pán)后，更新topic-partition的offset信息，再去接收下一批Kafka數(shù)據(jù)。萬(wàn)一Receiver失敗，重啟后還能從WAL里面恢復(fù)出已接收的數(shù)據(jù)，從而避免了Receiver節(jié)點(diǎn)宕機(jī)造成的數(shù)據(jù)丟失(以下代碼刪除了細(xì)枝末節(jié)的邏輯)：

啟用WAL后，雖然Receiver的數(shù)據(jù)可靠性風(fēng)險(xiǎn)降低了，但卻由于磁盤(pán)持久化帶來(lái)的開(kāi)銷(xiāo)，系統(tǒng)整體吞吐率會(huì)明顯下降。因此，最新發(fā)布的Spark 1.3版本，SparkStreaming增加了使用Direct API的方式來(lái)實(shí)現(xiàn)Kafka數(shù)據(jù)源的訪問(wèn)。

引入了Direct API后，SparkStreaming不再啟動(dòng)常駐的Receiver接收任務(wù)，而是直接分配給每個(gè)Batch及RDD最新的topic partition offset。job啟動(dòng)運(yùn)行后Executor使用Kafka的simple consumer API去獲取那一段offset的數(shù)據(jù)。

這樣做的好處不僅避免了Receiver宕機(jī)帶來(lái)數(shù)據(jù)可靠性的風(fēng)險(xiǎn)，也由于避免使用ZooKeeper做offset跟蹤，而實(shí)現(xiàn)了數(shù)據(jù)的精確一次性(以下代碼刪除了細(xì)枝末節(jié)的邏輯)：

　　預(yù)寫(xiě)日志 Write Ahead Log

Spark 1.2開(kāi)始提供預(yù)寫(xiě)日志能力，用于Receiver數(shù)據(jù)及Driver元數(shù)據(jù)的持久化和故障恢復(fù)。WAL之所以能提供持久化能力，是因?yàn)樗昧丝煽康腍DFS做數(shù)據(jù)存儲(chǔ)。

SparkStreaming預(yù)寫(xiě)日志機(jī)制的核心API包括：

管理WAL文件的WriteAheadLogManager

讀/寫(xiě)WAL的WriteAheadLogWriter和WriteAheadLogReader

基于WAL的RDD：WriteAheadLogBackedBlockRDD

基于WAL的Partition：WriteAheadLogBackedBlockRDDPartition

以上核心API在數(shù)據(jù)接收和恢復(fù)階段的交互示意圖如圖4所示。

從WriteAheadLogWriter的源碼里可以清楚看到，每次寫(xiě)入一塊數(shù)據(jù)buffer到HDFS后都會(huì)調(diào)用flush方法去強(qiáng)制刷入磁盤(pán)，然后才去取下一塊數(shù)據(jù)。因此receiver接收的數(shù)據(jù)是可以保證持久化到磁盤(pán)了，因而做到較好的數(shù)據(jù)可靠性。

　　結(jié)束語(yǔ)

得益于Kafka這類(lèi)可靠的data source以及自身的checkpoint/WAL等機(jī)制，SparkStreaming的數(shù)據(jù)可靠性得到了很好的保證，數(shù)據(jù)能保證“至少一次”(at least once)被處理。但由于其outbound端的一致性實(shí)現(xiàn)還未完善，因此Exact once語(yǔ)義仍然不能端到端保證。SparkStreaming社區(qū)已經(jīng)在跟進(jìn)這個(gè)特性的實(shí)現(xiàn)(SPARK-4122)，預(yù)計(jì)很快將合入trunk發(fā)布。

作者簡(jiǎn)介：葉琪，華為軟件公司Universe產(chǎn)品部高級(jí)架構(gòu)師，專(zhuān)注于大數(shù)據(jù)底層分布式存儲(chǔ)和計(jì)算基礎(chǔ)設(shè)施，是華為軟件公司Hadoop發(fā)行版的主要架構(gòu)師，目前興趣點(diǎn)在流計(jì)算與Spark。