SparkStreaming项目实战，实时计算Pv和Uv

本文转载自微信公众号「Java大数据与数据仓库」，作者柯少爷。转载本文请联系Java大数据与数据仓库公众号。

最近有个需求，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。

关于什么是pv,uv，可以参见这篇博客:https://blog.csdn.net/petermsh/article/details/78652246

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。

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。

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) 
        })       }) 

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。

 
  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 
 } 

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，不能销毁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，我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，这种情况下我一般这么做。

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。

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：

 
  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 } 

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")