Structured-Streaming初识

一、概览

Structured Streaming是一个基于SparkSQL引擎构建的可扩展且容错的流处理引擎。可以像在静态数据上表达批量计算一样表达流计算。SparkSQL引擎将负责以增量方式连续运行它，并在流数据继续到达时更新最终结果。可以使用Scala、Java、Python或R中的Dataset/DataFrame API来进行流聚合、事件时间窗口、流到批处理连接等的开发。它基于SparkSQL引擎优化而执行。最后，系统通过 checkpoint 和预写日志确保端到端的精确一次容错保证。简而言之，Structured Streaming提供快速、可扩展、容错、端到端的精确一次流处理，而无需用户对流进行推理。

默认， Structured Streaming使用微批次处理作业引擎进行处理，该引擎将数据流作为一系列小批次作业进行处理，从而实现低至100毫秒的端到端延迟和精确一次的容错保证。自Spark 2.3以来，又引入了一种新的低延迟处理模式，称为连续处理，它可以实现低至1毫秒的端到端延迟，并提供至少保证一次的语义。

二、官方示例

我们还是以从socket接收文本数据进行word count统计来了解它的工作原理。代码如下：

object StructuredNetworkWordCount {
  def main(args: Array[String]): Unit = {
    if (args.length < 2) {
      System.err.println("Usage: StructuredNetworkWordCount <hostname> <port>")
      System.exit(1)
    }

    val host = args(0)
    val port = args(1).toInt

    val spark = SparkSession
      .builder
      .appName("StructuredNetworkWordCount")
      .getOrCreate()

    import spark.implicits._

    // 创建表示从连接到主机端口的输入行流的DataFrame
    val lines = spark.readStream
      .format("socket")
      .option("host", host)
      .option("port", port)
      .load()

    // 将一行文本按空格分割
    val words = lines.as[String].flatMap(_.split(" "))

    // 分组统计
    val wordCounts = words.groupBy("value").count()

    // 启动运行并将结果输出到控制台
    val query = wordCounts.writeStream
      .outputMode("complete")
      .format("console")
      .start()

    query.awaitTermination()
  }
}

可以看到里面用到了spark sql 来进行流式处理，我们看下该官方示例在源码中的位置也就明白了

三、编程模型

Structured Streaming 的关键思想是将实时数据流视为不断追加的表。它是一种类似Spark Streaming（微批处理模型）的新流式处理模型。这使我们可以像查询表一样来处理流式数据。

1、基本概念

将输入数据流视为“输入表”。到达流中的每个数据项就像对输入表做追加操作。每个微小的间隔都会最加到输入表中。

在输入表中进行查询会得到结果表。随着输入表的增加，结果表也会增加或改变。最终将其写入外部系统或输出。

输出模式有以下三种：

Complete模式：将结果表整体写入外部系统
Append模式：只将处理完的当下微批次结果写入外部系统
Update模式：只将处理完的当下微批次且有更新的数据结果写入外部系统

我们用第二部分的示例代码来说明下：

linesDataFrame是输入表

wordCountsDataFrame是结果表

对流式linesDataFrame生成wordCounts的查询与静态DataFrame完全相同。但是，当这个查询启动时，Spark将不断检查来自套接字连接的新数据。如果有新数据，Spark将运行一个“增量”查询，将以前的运行计数与新数据结合起来计算更新的计数，如下所示：

请注意，Structured Streaming 不会物化整个表。它从流数据源中读取最新的可用数据，增量处理以更新结果，然后丢弃源数据。它只保留更新结果所需的最小中间状态数据（例如前面示例中的中间计数）。

2、处理事件时间和延迟数据

从示例中可以发现Structured Streaming 并没有指出每个批次的间隔时间，

因为Structured Streaming 使用的是嵌入在数据本身中的时间。对于许多应用程序，您可能希望对这个事件时间进行操作。例如，如果想获取IoT设备每分钟生成的事件数量，那么可能希望使用数据生成的时间（即数据中的事件时间），而不是Spark接收它们的时间。这个事件时间在这个模型中表达得非常自然，因为把它作为了数据的一部分，也就是表中的一列。

这使得基于窗口的聚合（例如每分钟的事件数量）只是事件时间列上的一种特殊类型的分组和聚合——每个时间窗口是一个组，每行可以属于多个窗口/组。因此，这种event-time-window-based聚合查询可以在静态数据集和数据流上一致定义。

因此，该模型可以处理预期晚到达的数据。由于Spark正在更新结果表，它可以完全控制在有延迟数据时更新旧聚合，以及清理旧聚合以限制中间状态数据的大小。从Spark 2.1开始，我们支持水印，允许用户指定延迟数据的阈值，并允许引擎相应地清理旧状态。