[spark streaming] 狀態管理 updateStateByKey&mapWithState
前言
SparkStreaming 7*24 小時不間斷的執行，有時需要管理一些狀態，比如wordCount，每個batch的資料不是獨立的而是需要累加的，這時就需要sparkStreaming來維護一些狀態，目前有兩種方案updateStateByKey&mapWithState，mapWithState是spark1.6新加入的儲存狀態的方案，官方聲稱有10倍效能提升。
updateStateByKey
先上一個示例：
def updateFunction(currValues:Seq[Int],preValue:Option[Int]): Option[Int] = {
val currValueSum = currValues.sum
//上面的Int型別都可以用物件型別替換
Some(currValueSum + preValue.getOrElse(0 這裡的updateFunction方法就是需要我們自己去實現的狀態跟新的邏輯，currValues就是當前批次的所有值，preValue是歷史維護的狀態，updateStateByKey返回的是包含歷史所有狀態資訊的DStream，下面我們來看底層是怎麼實現狀態的管理的，通過跟蹤原始碼看到最核心的實現方法：
private [this] def computeUsingPreviousRDD(
batchTime 可以看到是將parentRDD和preStateRDD進行co-group，然後將finalFunc方法作用於每個Partition，看到finalFunc方法的實現裡面(t._1, t._2._1.toSeq, headOption)這樣的形式，(key，currValues，preValue)這不就是和我們需要自己實現的updateFun類似的結構嗎，是的沒錯，我們的方法已經被包裝了一次：
def updateStateByKey[S: ClassTag](
updateFunc: (Seq[V], Option[S]) => Option[S],
partitioner: Partitioner
): DStream[(K, S)] = ssc.withScope {
val cleanedUpdateF = sparkContext.clean(updateFunc)
val newUpdateFunc = (iterator: Iterator[(K, Seq[V], Option[S])]) => {
iterator.flatMap(t => cleanedUpdateF(t._2, t._3).map(s => (t._1, s)))
}
updateStateByKey(newUpdateFunc, partitioner, true)
}可以知道每次呼叫updateStateByKey都會將舊的狀態RDD和當前batch的RDD進行co-group來得到一個新的狀態RDD，即使真正需要跟新的資料只有1條也需要將兩個RDD進行cogroup，所有的資料都會被計算一遍，而且隨著狀態的不斷增加，執行速度會越來越慢。
為了解決這一問題，mapWithState應運而生。
mapWithState
先來個示例：
val initialRDD = ssc.sparkContext.parallelize(List[(String, Int)]())
//自定義mappingFunction，累加單詞出現的次數並更新狀態
val mappingFunc = (word: String, count: Option[Int], state: State[Int]) => {
val sum = count.getOrElse(0) + state.getOption.getOrElse(0)
val output = (word, sum)
state.update(sum)
output
}
//呼叫mapWithState進行管理流資料的狀態
kafkaStream.map(r => (r._2,1)).mapWithState(StateSpec.function(mappingFunc).initialState(initialRDD)).print()這裡的initialRDD就是初始化狀態，updateStateByKey也有對應的API。這裡的mappingFun也是需要我們自己實現的狀態跟新邏輯，呼叫state.update()就是對狀態的跟新，output就是通過mapWithState後返回的DStream中的資料形式。注意這裡不是直接傳入的mappingFunc函式，而是一個StateSpec 的物件，其實也是對函式的一個包裝而已。接下來我們跟蹤原始碼看看是怎麼實現狀態的管理的，會建立一個MapWithStateDStreamImpl例項：
def mapWithState[StateType: ClassTag, MappedType: ClassTag](
spec: StateSpec[K, V, StateType, MappedType]
): MapWithStateDStream[K, V, StateType, MappedType] = {
new MapWithStateDStreamImpl[K, V, StateType, MappedType](
self,
spec.asInstanceOf[StateSpecImpl[K, V, StateType, MappedType]]
)
}當然是要看看其compute方法是怎麼實現的：
private val internalStream =
new InternalMapWithStateDStream[KeyType, ValueType, StateType, MappedType](dataStream, spec)
override def compute(validTime: Time): Option[RDD[MappedType]] = {
internalStream.getOrCompute(validTime).map { _.flatMap[MappedType] { _.mappedData } }
}compute方法又把處理邏輯給了internalStream:InternalMapWithStateDStream，繼續看InternalMapWithStateDStream的compute方法主要處理邏輯：
override def compute(validTime: Time): Option[RDD[MapWithStateRDDRecord[K, S, E]]] = {
// Get the previous state or create a new empty state RDD
val prevStateRDD = getOrCompute(validTime - slideDuration) match {
case Some(rdd) =>
if (rdd.partitioner != Some(partitioner)) {
// If the RDD is not partitioned the right way, let us repartition it using the
// partition index as the key. This is to ensure that state RDD is always partitioned
// before creating another state RDD using it
MapWithStateRDD.createFromRDD[K, V, S, E](
rdd.flatMap { _.stateMap.getAll() }, partitioner, validTime)
} else {
rdd
}
case None =>
MapWithStateRDD.createFromPairRDD[K, V, S, E](
spec.getInitialStateRDD().getOrElse(new EmptyRDD[(K, S)](ssc.sparkContext)),
partitioner,
validTime
)
}
// Compute the new state RDD with previous state RDD and partitioned data RDD
// Even if there is no data RDD, use an empty one to create a new state RDD
val dataRDD = parent.getOrCompute(validTime).getOrElse {
context.sparkContext.emptyRDD[(K, V)]
}
val partitionedDataRDD = dataRDD.partitionBy(partitioner)
val timeoutThresholdTime = spec.getTimeoutInterval().map { interval =>
(validTime - interval).milliseconds
}
Some(new MapWithStateRDD(
prevStateRDD, partitionedDataRDD, mappingFunction, validTime, timeoutThresholdTime))
}先後獲取prevStateRDD和parentRDD，並且保證使用的是同樣的partitioner，接著以兩個rdd為引數、自定義的mappingFunction函式、以及key的超時時間等為引數又建立了MapWithStateRDD，該RDD繼承了RDD[MapWithStateRDDRecord[K, S, E]]，MapWithStateRDD中的資料都是MapWithStateRDDRecord物件，每個分割槽對應一個物件來儲存狀態（這就是為什麼兩個RDD需要用同一個Partitioner），看看MapWithStateRDD的compute方法：
override def compute(
partition: Partition, context: TaskContext): Iterator[MapWithStateRDDRecord[K, S, E]] = {
val stateRDDPartition = partition.asInstanceOf[MapWithStateRDDPartition]
val prevStateRDDIterator = prevStateRDD.iterator(
stateRDDPartition.previousSessionRDDPartition, context)
val dataIterator = partitionedDataRDD.iterator(
stateRDDPartition.partitionedDataRDDPartition, context)
val prevRecord = if (prevStateRDDIterator.hasNext) Some(prevStateRDDIterator.next()) else None
val newRecord = MapWithStateRDDRecord.updateRecordWithData(
prevRecord,
dataIterator,
mappingFunction,
batchTime,
timeoutThresholdTime,
removeTimedoutData = doFullScan // remove timedout data only when full scan is enabled
)
Iterator(newRecord)
}拿到prevStateRDD和parentRDD對應分割槽的迭代器，接著獲取了prevStateRDD的一條資料，這個分割槽也只有一條MapWithStateRDDRecord型別的資料，維護了對應分割槽所有資料狀態，接著呼叫了最核心的方法來跟新狀態，最後返回了只包含一條資料的迭代器，我們來看看是怎麼這個核心的計算邏輯：
def updateRecordWithData[K: ClassTag, V: ClassTag, S: ClassTag, E: ClassTag](
prevRecord: Option[MapWithStateRDDRecord[K, S, E]],
dataIterator: Iterator[(K, V)],
mappingFunction: (Time, K, Option[V], State[S]) => Option[E],
batchTime: Time,
timeoutThresholdTime: Option[Long],
removeTimedoutData: Boolean
): MapWithStateRDDRecord[K, S, E] = {
// Create a new state map by cloning the previous one (if it exists) or by creating an empty one
val newStateMap = prevRecord.map { _.stateMap.copy() }. getOrElse { new EmptyStateMap[K, S]() }
val mappedData = new ArrayBuffer[E]
val wrappedState = new StateImpl[S]()
// Call the mapping function on each record in the data iterator, and accordingly
// update the states touched, and collect the data returned by the mapping function
dataIterator.foreach { case (key, value) =>
wrappedState.wrap(newStateMap.get(key))
val returned = mappingFunction(batchTime, key, Some(value), wrappedState)
if (wrappedState.isRemoved) {
newStateMap.remove(key)
} else if (wrappedState.isUpdated
|| (wrappedState.exists && timeoutThresholdTime.isDefined)) {
newStateMap.put(key, wrappedState.get(), batchTime.milliseconds)
}
mappedData ++= returned
}
// Get the timed out state records, call the mapping function on each and collect the
// data returned
if (removeTimedoutData && timeoutThresholdTime.isDefined) {
newStateMap.getByTime(timeoutThresholdTime.get).foreach { case (key, state, _) =>
wrappedState.wrapTimingOutState(state)
val returned = mappingFunction(batchTime, key, None, wrappedState)
mappedData ++= returned
newStateMap.remove(key)
}
}
MapWithStateRDDRecord(newStateMap, mappedData)
}先copy了原來的狀態，接著定義了兩個變數，mappedData是最終要返回的結果，wrappedState可以看成是對state的包裝，添加了一些額外的方法。
接著遍歷當前批次的資料，從狀態中取出key對應的原來的state，並根據自定義的函式來對state進行跟新，這裡涉及到state的remove&update&timeout來對newStateMap進行跟新操作，並將有跟新的狀態加入到了mappedData中。
若有設定超時時間，則還會對超時了的key進行移除，也會加入到mappedData中，最終通過新的狀態物件newStateMap和需返回的mappedData陣列構建了MapWithStateRDDRecord物件來返回。
而在前面提到的MapWithStateDStreamImpl例項的compute方法中：
override def compute(validTime: Time): Option[RDD[MappedType]] = {
internalStream.getOrCompute(validTime).map { _.flatMap[MappedType] { _.mappedData } }
}呼叫的就是這個mappedData資料。
我們發現返回的都是有update的資料，若要獲取所有的狀態在mapWithState之後呼叫stateSnapshots即可。若要清除某個key的狀態，可在自定義的方法中呼叫state.remove()。
總結
- updateStateByKey底層是將preSateRDD和parentRDD進行co-group，然後對所有資料都將經過自定義的mapFun函式進行一次計算，即使當前batch只有一條資料也會進行這麼複雜的計算，大大的降低了效能，並且計算時間會隨著維護的狀態的增加而增加。
- mapWithstate底層是建立了一個MapWithStateRDD，存的資料是MapWithStateRDDRecord物件，一個Partition對應一個MapWithStateRDDRecord物件，該物件記錄了對應Partition所有的狀態，每次只會對當前batch有的資料進行跟新，而不會像updateStateByKey一樣對所有資料計算。