引言
我们知道,持续查询的驱动引擎StreamExecution 会持续不断地驱动每个批次的执行。
对于不需要跨批次的持续查询,如 map()
, filter()
等,每个批次之间的执行相互独立,不需要状态支持。而比如类似 count()
的聚合式持续查询,则需要跨批次的状态支持,这样本批次的执行只需依赖上一个批次的结果,而不需要依赖之前所有批次的结果。这也即增量式持续查询,能够将每个批次的执行时间稳定下来,避免越后面的批次执行时间越长的情形。
增量式持续查询的思路和实现:
而在这里面的 StateStore,即是 Structured Streaming 用于保存跨批次状态结果的模块组件。本文解析 StateStore 模块。
StateStore 模块的总体思路
StateStore 模块的总体思路:
分布式实现
跑在现有 Spark 的 driver-executors 架构上
driver 端是轻量级的 coordinator,只做协调工作
executor 端负责状态的实际分片的读写
状态分片
因为一个应用里可能会包含多个需要状态的 operator,而且 operator 本身也是分 partition 执行的,所以状态存储的分片以
operatorId
+partitionId
为切分依据以分片为基本单位进行状态的读入和写出
每个分片里是一个 key-value 的 store,key 和 value 的类型都是
UnsafeRow
(可以理解为 SparkSQL 里的 Object 通用类型),可以按 key 查询、或更新状态分版本
因为 StreamExection 会持续不断地执行批次,因而同一个 operator 同一个 partition 的状态也是随着时间不断更新、产生新版本的数据
状态的版本是与 StreamExecution 的进展一致,比如 StreamExection 的批次 id = 7 完成时,那么所有 version = 7 的状态即已经持久化
批量读入和写出分片
累计当前版本(即 StreamExecution 的当前批次)的多行的状态修改,一次性写出到 HDFS 一个修改的流水 log,流水 log 写完即标志本批次的状态修改完成
同时应用修改到内存中的状态缓存
根据 operator + partition + version, 从 HDFS 读入数据,并缓存在内存里
对于每个分片,读入时
对于每个分片,写出时
关于 StateStore 的 operator, partiton, version 有一个图片可帮助理解:
StateStore:(a)迁移、(b)更新和查询、(c)维护、(d)故障恢复
(a) StateStore 在不同的节点之间如何迁移
在 StreamExecution 执行过程中,随时在 operator 实际执行的 executor 节点上唤起一个状态存储分片、并读入前一个版本的数据即可(如果 executor 上已经存在一个分片,那么就直接重用,不用唤起分片、也不用读入数据了)。
我们上节讲过,持久化的状态是在 HDFS 上的。那么如上图所示:
executor a
, 唤起了operator = 1, partition = 1
的状态存储分片,从 HDFS 里位于本机的数据副本 load 进来version = 5
的数据;一个 executor 节点可以执行多个 operator,那么也就可以在一个 executor 上唤起多个状态存储分片(分别对应不同的 operator + partition),如图示
executor b
;在一些情况下,需要从其他节点的 HDFS 数据副本上 load 状态数据,如图中
executor c
需要从executor b
的硬盘上 load 数据;另外还有的情况是,同一份数据被同时 load 到不同的 executor 上,如
executor d
和executor a
即是读入了同一份数据 —— 推测执行时就容易产生这种情况 —— 这时也不会产生问题,因为 load 进来的是同一份数据,然后在两个节点上各自修改,最终只会有一个节点能够成功提交对状态的修改。
(b) StateStore 的更新和查询
我们前面也讲过,在一个状态存储分片里,是 key-value 的 store。这个 key-value 的 store 支持如下操作:
/* == CRUD 增删改查 =============================== */ // 查询一条 key-value def get(key: UnsafeRow): Option[UnsafeRow] // 新增、或修改一条 key-value def put(key: UnsafeRow, value: UnsafeRow): Unit // 删除一条符合条件的 key-value def remove(condition: UnsafeRow => Boolean): Unit // 根据 key 删除 key-value def remove(key: UnsafeRow): Unit /* == 批量操作相关 =============================== */ // 提交当前执行批次的所有修改,将刷出到 HDFS,成功后版本将自增 def commit(): Long // 放弃当前执行批次的所有修改 def abort(): Unit // 当前状态分片、当前版本的所有 key-value 状态 def iterator(): Iterator[(UnsafeRow, UnsafeRow)] // 当前状态分片、当前版本比上一个版本的所有增量更新 def updates(): Iterator[StoreUpdate]
使用 StateStore 的代码可以这样写(现在都是 Structured Streaming 内部实现在使用 StateStore,上层用户无需面对这些细节):
// 在最开始,获取正确的状态分片(按需重用已有分片或读入新的分片) val store = StateStore.get(StateStoreId(checkpointLocation, operatorId, partitionId), ..., version, ...) // 开始进行一些更改 store.put(...) store.remove(...) // 更改完成,批量提交缓存在内存里的更改到 HDFS store.commit() // 查看当前状态分片的所有 key-value / 刚刚更新了的 key-value store.iterator() store.updates()
(c) StateStore 的维护
我们看到,前面 StateStore 在写出状态的更新时,是写出的修改流水 log。
StateStore 本身也带了 maintainess 即维护模块,会周期性的在后台将过去的状态和最近若干版本的流水 log 进行合并,并把合并后的结果重新写回到 HDFS:old_snapshot + delta_a + delta_b + … => lastest_snapshot
。
这个过程跟 HBase 的 major/minor compact 差不多,但还没有区别到 major/minor 的粒度。
(d) StateStore 的故障恢复
StateStore 的所有状态以 HDFS 为准。如果某个状态分片在更新过程中失败了,那么还没有写出的更新会不可见。
恢复时也是从 HDFS 读入最近可见的状态,并配合 StreamExecution 的执行批次重做。从另一个角度说,就是大家 —— 输入数据、及状态存储 —— 先统一往后会退到本执行批次刚开始时的状态,然后重新计算。当然这里重新计算的粒度是 Spark 的单个 task,即一个 partition 的输入数据 + 一个 partition 的状态存储。
从 HDFS 读入最近可见的状态时,如果有最新的 snapshot,也就用最新的 snapshot,如果没有,就读入稍旧一点的 snapshot 和新的 deltas,先做一下最新状态的合并。
总结
在 Structured Streaming 里,StateStore 模块提供了 分片的、分版本的、可迁移的、高可用 key-value store。
基于这个 StateStore 模块,StreamExecution 实现了 增量的 持续查询、和很好的故障恢复以维护 _end-to-end exactly-once guarantees_。
本文分享自微信公众号 - 大数据技术与架构(import_bigdata)。
如有侵权,请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”,欢迎正在阅读的你也加入,一起分享。