SparkStreaming使用mapWithState时设置timeout()无法生效问题该怎么解决

本篇文章给大家分享的是有关SparkStreaming使用mapWithState时设置timeout()无法生效问题该怎么解决，小编觉得挺实用的，因此分享给大家学习，希望大家阅读完这篇文章后可以有所收获，话不多说，跟着小编一起来看看吧。

成都创新互联公司坚持“要么做到，要么别承诺”的工作理念，服务领域包括：成都网站设计、成都做网站、外贸网站建设、企业官网、英文网站、手机端网站、网站推广等服务，满足客户于互联网时代的东湖网站设计、移动媒体设计的需求，帮助企业找到有效的互联网解决方案。努力成为您成熟可靠的网络建设合作伙伴！

前言

当我在测试SparkStreaming的状态操作mapWithState算子时，当我们设置timeout(3s)的时候，3s过后数据还是不会过期，不对此key进行操作，等到30s左右才会清除过期的数据。

百度了很久，关于timeout的资料很少，更没有解决这个问题的文章，所以说，百度也不是万能的，有时候还是需要靠自己。

所以我就在周末研究了一下，然后将结果整理了出来，希望能帮助大家更全面的理解Spark状态计算。

mapWithState

按理说Spark Streaming实时处理，数据就像流水，每个批次之间的数据都是独立的，处理完就处理完了，不留下任何状态。但是免不了一些有状态的操作，例如统计从流启动到现在，某个单词出现了多少次，所以状态操作就出现了。

状态操作分为updateStateByKey和mapWithState，两者有着很大的区别。简单的来说，前者每次输出的都是全量状态，后者输出的是增量状态。

过期原理

过期这一块估计很多人开始都理解错了，我刚开始理解就是数据从出现，经过多少秒之后就会过期。其实不是，这里的过期指的是空闲时间。

注释大概是这个意思：timeout()传入一个时间间隔参数，如果一个key在大于此间隔没有此key的数据流入，则被认为是空闲的，就会单独调用一次mapWithState中的func来清除这些空闲数据状态。

先写结论

使用了timeout()之后，需要使用以下代码来在间隔内清除失效key。

stream.checkpoint(Seconds(6))

checkpoint的时候，会开启全面扫描，才会对state中的失效key进行清理。

测试

val conf = new SparkConf().setMaster("local[2]").setAppName("state")val ssc = new StreamingContext(conf, Seconds(3))ssc.checkpoint("./tmp")val streams: DStream[(String, Int)] = ssc.socketTextStream("localhost", 9999)  .map(x => (x, 1))val result = streams.mapWithState(StateSpec.function((k: String, v: Option[Int], state: State[Int]) => {   val count = state.getOption().getOrElse(0)println(k)println(v)var sum = 0if (!state.isTimingOut()) {     sum = count + v.get
          state.update(sum)} else {     println("timeout")}Option(sum)  })  .timeout(Seconds(3)))// 这行代码是触发清除机制的关键// result.checkpoint(Seconds(6))result.print()ssc.start()ssc.awaitTermination()

使用上面的代码进行测试，设置过期时间为3s。但是3s过后发现key并没有过期，也不会被清除，大概30S之后被清除。

在9999端口输入一个tom后，不再进行任何操作。测试结果如下：

tom
Some(1)
-------------------------------------------
Time: 1618228587000 ms
-------------------------------------------
Some(1)


tom
None
timeout
-------------------------------------------
Time: 1618228614000 ms
-------------------------------------------
Some(0)

从测试结果可以看出，从输入到清除大概是27s。

我们现在将注释的代码放开，每6s进行checkpoint一次，输入tom：

tom
Some(1)
-------------------------------------------
Time: 1618228497000 ms
-------------------------------------------
Some(1)

tom
None
timeout
-------------------------------------------
Time: 1618228506000 ms
-------------------------------------------
Some(0)

从生成到清除用了9秒，正好是过期时间 + 下一个窗口时间，触发了checkpoint。

猜想

第一次学状态操作的时候，就考虑如何去掉一些过期的key，通过timeout()的方法没有完成自己想法，从网上也没有找到解决方案，所以就暂且搁置在一边了。后来又回过头来考虑这个问题，然后根据自己的想法去猜想、去验证。

1. 我先看的是mapWithState()的返回值

2. MapWithStateDStreamImpl

每个Dstream的计算逻辑都在compute()中，这里是调用了internalStream的getOrCompute()，根据继承关系，调用的是父类Dstream的此方法：

getOrCompute()主要功能为：计算、缓存、checkpoint。这里只需要记住几个地方：checkpointDuration，即checkpoint间隔，和调用了checkpoint()。其实真正的计算还是调用了compute()，接着去看compute()

3. InternalMapWithStateDStream

compute()里面也调用了getOrCompute()方法，其实和上面调用的一样，都是Dstream的，这里主要看的是使用createFromRDD()生成的StateRDD。

4. MapWithStateRDD

这个StateRDD就是参与状态计算的数据集合，首先看它是如何生成的：

再看看StateRDD的compute()是如何计算的：

从compute()看出，当doFullScan为true的时候，才会触发过期key的清除，updateRecordWithData()负责全面扫描清除过期key。

这不，思路就来了，我们只要找到开启FullScan的方法，不就可以自行触发清除机制了吗！

那么，我们先看看doFullScan的默认值：

默认是没开启的，接着通过快捷键看看哪些地方使用了doFullScan：

从图中看出，有两处代码修改了doFullScan，我们找到这两处代码：

第一个基本上排除，那么就剩下第二个：checkpoint()，我们要知道的是，状态操作必须要checkpoint。

还记得在2中的getOrCompute()吗，当checkpointDuration不为null的时候，调用checkpoint()。
我们来看3中InternalMapWithStateDStream是如何定义这个duration的：

如图，sideDuration是窗口时间，乘以系数10就是默认的checkpoint时长，所以当我设置窗口为3s时，checkpoint周期就是30s，30s才会清理一次过期key。

而通过checkpoint(interval)可以设置checkpoint的间隔，所以覆盖了上面程序中默认的30s。

5.MapWithStateRDDRecord

最后提一提，FullScan是在这个类中开启的，所以先看看这个Record的注释介绍：

意思就是负责存储StateRDD的状态KV，updateRecordWithData()负责清除过期的Record，我们来看看这个方法的实现：

removeTimedoutData就是是否开启全面扫描，即doFullScan的值。

以上就是SparkStreaming使用mapWithState时设置timeout()无法生效问题该怎么解决，小编相信有部分知识点可能是我们日常工作会见到或用到的。希望你能通过这篇文章学到更多知识。更多详情敬请关注创新互联行业资讯频道。