SparkStreaming实时计算pv和uv，注意事项以及生产问题
实时统计pv,uv，结果按照date,hour,pv,uv来展示，按天统计，第二天重新统计，当然了实际还需要按照类型字段分类统计pv,uv，比如按照date,hour,pv,uv,type来展示。这里介绍最基本的pv,uv的展示。
1、项目流程
日志数据从flume采集过来，落到hdfs供其它离线业务使用，也会sink到kafka，sparkStreaming从kafka拉数据过来，计算pv,uv，uv是用的redis的set集合去重，最后把结果写入mysql数据库，供前端展示使用。
2、具体过程
1）pv的计算
拉取数据有两种方式，基于received和direct方式，这里用direct直拉的方式，用的mapWithState算子保存状态，这个算子与updateStateByKey一样，并且性能更好。当然了实际中数据过来需要经过清洗，过滤，才能使用。
定义一个状态函数
// 实时流量状态更新函数
val mapFunction = (datehour:String, pv:Option[Long], state:State[Long]) => {
val accuSum = pv.getOrElse(0L) + state.getOption().getOrElse(0L)
val output = (datehour,accuSum)
state.update(accuSum)
output
}
这样就很容易的把pv计算出来了。
2）uv的计算
uv是要全天去重的，每次进来一个batch的数据，如果用原生的reduceByKey或者groupByKey对配置要求太高，在配置较低情况下，我们申请了一个93G的redis用来去重，原理是每进来一条数据，将date作为key，guid加入set集合，20秒刷新一次，也就是将set集合的尺寸取出来，更新一下数据库即可。
helper_data.foreachRDD(rdd => {
rdd.foreachPartition(eachPartition => {
// 获取redis连接
val jedis = getJedis
eachPartition.foreach(x => {
// 省略若干...
jedis.sadd(key,x._2)
// 设置存储每天的数据的set过期时间，防止超过redis容量，这样每天的set集合，定期会被自动删除
jedis.expire(key,ConfigFactory.rediskeyexists)
})
// 关闭连接
closeJedis(jedis)
})
})
3）结果保存到数据库
结果保存到mysql，数据库，10秒刷新一次数据库，前端展示刷新一次，就会重新查询一次数据库，做到实时统计展示pv,uv的目的。
/** * 插入数据 * @param data (addTab(datehour)+helperversion) * @param tbName * @param colNames */
def insertHelper(data: DStream[(String, Long)], tbName: String, colNames: String*): Unit = {
data.foreachRDD(rdd => {
val tmp_rdd = rdd.map(x => x._1.substring(11, 13).toInt)
if (!rdd.isEmpty()) {
val hour_now = tmp_rdd.max() // 获取当前结果中最大的时间，在数据恢复中可以起作用
rdd.foreachPartition(eachPartition => {
try {
val jedis = getJedis
val conn = MysqlPoolUtil.getConnection()
conn.setAutoCommit(false)
val stmt = conn.createStatement()
eachPartition.foreach(x => {
// val sql = ....
// 省略若干
stmt.addBatch(sql)
})
closeJedis(jedis)
stmt.executeBatch() // 批量执行sql语句
conn.commit()
conn.close()
} catch {
case e: Exception => {
logger.error(e)
logger2.error(HelperHandle.getClass.getSimpleName + e)
}
}
})
}
})
}
// 计算当前时间距离次日零点的时长（毫秒）
def resetTime = {
val now = new Date()
val todayEnd = Calendar.getInstance
todayEnd.set(Calendar.HOUR_OF_DAY, 23) // Calendar.HOUR 12小时制
todayEnd.set(Calendar.MINUTE, 59)
todayEnd.set(Calendar.SECOND, 59)
todayEnd.set(Calendar.MILLISECOND, 999)
todayEnd.getTimeInMillis - now.getTime
}
4）数据容错
流处理消费kafka都会考虑到数据丢失问题，一般可以保存到任何存储系统，包括mysql,hdfs,hbase,redis,zookeeper等到。这里用SparkStreaming自带的checkpoint机制来实现应用重启时数据恢复。
checkpoint
这里采用的是checkpoint机制，在重启或者失败后重启可以直接读取上次没有完成的任务，从kafka对应offset读取数据。
// 初始化配置文件
ConfigFactory.initConfig()
val conf = new SparkConf().setAppName(ConfigFactory.sparkstreamname)
conf.set("spark.streaming.stopGracefullyOnShutdown","true")
conf.set("spark.streaming.kafka.maxRatePerPartition",consumeRate)
conf.set("spark.default.parallelism","24")
val sc = new SparkContext(conf)
while (true){
val ssc = StreamingContext.getOrCreate(ConfigFactory.checkpointdir + DateUtil.getDay(0),getStreamingContext _ )
ssc.start()
ssc.awaitTerminationOrTimeout(resetTime)
ssc.stop(false,true)
}
checkpoint是每天一个目录，在第二天凌晨定时销毁StreamingContext对象，重新统计计算pv,uv。
注意：ssc.stop(false,true)表示优雅地销毁StreamingContext对象，不销毁SparkContext对象，ssc.stop(true,true)会停掉SparkContext对象，程序就直接停了。
应用迁移或者程序升级
在这个过程中，我们把应用升级了一下，比如说某个功能写的不够完善，或者有逻辑错误，这时候都是需要修改代码，重新打jar包的，这时候如果把程序停了，新的应用还是会读取老的checkpoint，可能会有两个问题：
执行的还是上一次的程序，因为checkpoint里面也有序列化的代码；
直接执行失败，反序列化失败；
其实有时候，修改代码后不用删除checkpoint也是可以直接生效，经过很多测试，发现如果对数据的过滤操作导致数据过滤逻辑改变，还有状态操作保存修改，也会导致重启失败，只有删除checkpoint才行，可是实际中一旦删除checkpoint，就会导致上一次未完成的任务和消费kafka的offset丢失，直接导致数据丢失，这种情况下一般这么做。
这种情况一般是在另外一个集群，或者把checkpoint目录修改下，我们是代码与配置文件分离，所以修改配置文件checkpoint的位置还是很方便的。然后两个程序一起跑，除了checkpoint目录不一样，会重新建，都插入同一个数据库，跑一段时间后，把旧的程序停掉就好。以前看官网这么说，只能记住不能清楚明了，只有自己做时才会想一下办法去保证数据准确。
5）保存offset到mysql
如果保存offset到mysql，就可以将pv, uv和offset作为一条语句保存到mysql，从而可以保证exactly-once语义。
var messages: InputDStream[ConsumerRecord[String, String]] = null
if (tpMap.nonEmpty) {
messages = KafkaUtils.createDirectStream[String, String](
ssc
, LocationStrategies.PreferConsistent
, ConsumerStrategies.Subscribe[String, String](topics, kafkaParams, tpMap.toMap)
)
} else {
messages = KafkaUtils.createDirectStream[String, String](
ssc
, LocationStrategies.PreferConsistent
, ConsumerStrategies.Subscribe[String, String](topics, kafkaParams)
)
}
messages.foreachRDD(rdd => {
....
})
从mysql读取offset并且解析：
/** * 从mysql查询offset * * @param tbName * @return */
def getLastOffsets(tbName: String): mutable.HashMap[TopicPartition, Long] = {
val sql = s"select offset from ${tbName} where id = (select max(id) from ${tbName})"
val conn = MysqlPool.getConnection(config)
val psts = conn.prepareStatement(sql)
val res = psts.executeQuery()
var tpMap: mutable.HashMap[TopicPartition, Long] = mutable.HashMap[TopicPartition, Long]()
while (res.next()) {
val o = res.getString(1)
val jSONArray = JSON.parseArray(o)
jSONArray.toArray().foreach(offset => {
val json = JSON.parseObject(offset.toString)
val topicAndPartition = new TopicPartition(json.getString("topic"), json.getInteger("partition"))
tpMap.put(topicAndPartition, json.getLong("untilOffset"))
})
}
MysqlPool.closeCon(res, psts, conn)
tpMap
}
6）日志
日志用的log4j2，本地保存一份，ERROR级别的日志会通过邮件发送到手机，如果错误太多也会被邮件轰炸，需要注意。
val logger = LogManager.getLogger(HelperHandle.getClass.getSimpleName)
// 邮件level=error日志
val logger2 = LogManager.getLogger("email")
