實時統計每天pv,uv的sparkStreaming結合redis結果存入mysql供前端展示
最近有個需求，實時統計pv,uv，結果按照date,hour,pv,uv來展示，按天統計，第二天重新統計，當然了實際還需要按照型別欄位分類統計pv,uv,比如按照date,hour,pv,uv,type來展示。這裡介紹最基本的pv,uv的展示。
| id | uv | pv | date | hour |
|---|---|---|---|---|
| 1 | 155599 | 306053 | 2018-07-27 | 18 |
關於什麼是pv,uv，可以參見這篇部落格https://blog.csdn.net/petermsh/article/details/78652246
1、專案流程
日誌資料從flume採集過來，落到hdfs供其它離線業務使用，也會sink到kafka，sparkStreaming從kafka拉資料過來，計算pv,uv，uv是用的redis的set集合去重，最後把結果寫入mysql資料庫，供前端展示使用。
2、具體過程
1）pv的計算
拉取資料有兩種方式，基於received和direct方式，這裡用direct直拉的方式，用的mapWithState運算元儲存狀態，這個運算元與updateStateByKey一樣，並且效能更好。當然了實際中資料過來需要經過清洗，過濾，才能使用。
定義一個狀態函式
// 實時流量狀態更新函式 計算pv
val stateSpec = StateSpec.function(mapFunction)
val helper_count_all = 這樣就很容易的把pv計算出來了。
2）uv的計算
uv是要全天去重的，每次進來一個batch的資料，如果用原生的reduceByKey或者groupByKey對配置要求太高，在配置較低情況下，我們申請了一個93G的redis用來去重，原理是每進來一條資料，將date作為key，guid加入set集合，20秒重新整理一次，也就是將set集合的尺寸取出來，更新一下資料庫即可。
helper_data.foreachRDD(rdd => {
rdd.foreachPartition(eachPartition => {
// 獲取redis連線
val jedis = getJedis
eachPartition.foreach(x => {
val date:String = x._1.split(":")(0)
val key = date
// 將date作為key，guid(x._2)加入set集合
jedis.sadd(key,x._2)
// 設定儲存每天的資料的set過期時間，防止超過redis容量，這樣每天的set集合，定期會被自動刪除
jedis.expire(key,ConfigFactory.rediskeyexists)
})
// 關閉連線
closeJedis(jedis)
})
})
3）結果儲存到資料庫
結果儲存到mysql，資料庫，20秒重新整理一次資料庫，前端展示重新整理一次，就會重新查詢一次資料庫，做到實時統計展示pv,uv的目的。
/**
* 插入資料
* @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() // 獲取當前結果中最大的時間，在資料恢復中可以起作用
rdd.foreachPartition(eachPartition => {
try {
val jedis = getJedis
val conn = MysqlPoolUtil.getConnection()
conn.setAutoCommit(false)
val stmt = conn.createStatement()
eachPartition.foreach(x => {
val datehour = x._1.split("\t")(0)
val helperversion = x._1.split("\t")(1)
val date_hour = datehour.split(":")
val date = date_hour(0)
val hour = date_hour(1).toInt
val colName0 = colNames(0) // date
val colName1 = colNames(1) // hour
val colName2 = colNames(2) // count_all
val colName3 = colNames(3) // count
val colName4 = colNames(4) // helperversion
val colName5 = colNames(5) // datehour
val colName6 = colNames(6) // dh
val colValue0 = addYin(date)
val colValue1 = hour
val colValue2 = x._2.toInt
val colValue3 = jedis.scard(date + "_" + helperversion) // // 2018-07-08_10.0.1.22
val colValue4 = addYin(helperversion)
var colValue5 = if (hour < 10) "'" + date + " 0" + hour + ":00 " + helperversion + "'" else "'" + date + " " + hour + ":00 " + helperversion + "'"
val colValue6 = if(hour < 10) "'" + date + " 0" + hour + ":00'" else "'" + date + " " + hour + ":00'"
var sql = ""
if (hour == hour_now) { // uv只對現在更新
sql = s"insert into ${tbName}(${colName0},${colName1},${colName2},${colName3},${colName4},${colName5}) values(${colValue0},${colValue1},${colValue2},${colValue3},${colValue4},${colValue5}) on duplicate key update ${colName2} = ${colValue2},${colName3} = ${colValue3}"
} else {
sql = s"insert into ${tbName}(${colName0},${colName1},${colName2},${colName4},${colName5}) values(${colValue0},${colValue1},${colValue2},${colValue4},${colValue5}) on duplicate key update ${colName2} = ${colValue2}"
}
stmt.addBatch(sql)
})
closeJedis(jedis)
stmt.executeBatch() // 批量執行sql語句
conn.commit()
conn.close()
} catch {
case e: Exception => {
logger.error(e)
logger2.error(HelperHandle.getClass.getSimpleName + e)
}
}
})
}
})
}
// 計算當前時間距離次日零點的時長（毫秒）
def resetTime = {
val now = new Date()
val todayEnd = Calendar.getInstance
todayEnd.set(Calendar.HOUR_OF_DAY, 23) // Calendar.HOUR 12小時制
todayEnd.set(Calendar.MINUTE, 59)
todayEnd.set(Calendar.SECOND, 59)
todayEnd.set(Calendar.MILLISECOND, 999)
todayEnd.getTimeInMillis - now.getTime
}
4）資料容錯
流處理消費kafka都會考慮到資料丟失問題，一般可以儲存到任何儲存系統，包括mysql,hdfs,hbase,redis,zookeeper等到。這裡用SparkStreaming自帶的checkpoint機制來實現應用重啟時資料恢復。
checkpoint
這裡採用的是checkpoint機制，在重啟或者失敗後重啟可以直接讀取上次沒有完成的任務，從kafka對應offset讀取資料。
// 初始化配置檔案
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是每天一個目錄，在第二天凌晨定時銷燬StreamingContext物件，重新統計計算pv,uv。
注意
ssc.stop(false,true)表示優雅地銷燬StreamingContext物件，不能銷燬SparkContext物件，ssc.stop(true,true)會停掉SparkContext物件，程式就直接停了。
#####應用遷移或者程序升級
在這個過程中，我們把應用升級了一下，比如說某個功能寫的不夠完善，或者有邏輯錯誤，這時候都是需要修改程式碼，重新打jar包的，這時候如果把程式停了，新的應用還是會讀取老的checkpoint，可能會有兩個問題：
- 執行的還是上一次的程式，因為checkpoint裡面也有序列化的程式碼；
- 直接執行失敗，反序列化失敗；
其實有時候，修改程式碼後不用刪除checkpoint也是可以直接生效，經過很多測試，我發現如果對資料的過濾操作導致資料過濾邏輯改變，還有狀態操作儲存修改，也會導致重啟失敗，只有刪除checkpoint才行，可是實際中一旦刪除checkpoint，就會導致上一次未完成的任務和消費kafka的offset丟失，直接導致資料丟失，這種情況下我一般這麼做。
這種情況一般是在另外一個叢集，或者把checkpoint目錄修改下，我們是程式碼與配置檔案分離，所以修改配置檔案checkpoint的位置還是很方便的。然後兩個程式一起跑，除了checkpoint目錄不一樣，會重新建，都插入同一個資料庫，跑一段時間後，把舊的程式停掉就好。以前看官網這麼說，只能記住不能清楚明瞭，只有自己做時才會想一下辦法去保證資料準確。
5）日誌
日誌用的log4j2，本地儲存一份，ERROR級別的日誌會通過郵件傳送到手機。
val logger = LogManager.getLogger(HelperHandle.getClass.getSimpleName)
// 郵件level=error日誌
val logger2 = LogManager.getLogger("email")