日志服务（SLS）集成 Spark 流计算实战

前言

日志服务作为一站式的日志的采集与分析平台，提供了各种用户场景的日志采集能力，通过日志服务提供的各种与·与SDK，采集客户端（Logtail），Producer，用户可以非常容易的把各种数据源中的数据采集到日志服务的Logstore中。同时为了便于用户对日志进行处理，提供了各种支持流式消费的SDK，如各种语言的消费组，与 Spark，Flink，Storm 等各种流计算技术无缝对接的Connector，以便于用户根据自己的业务场景非常便捷的处理海量日志。

从最早的Spark Streaming到最新的Stuctured Streaming，Spark 一直是最流行的流计算框架之一。使用日志服务的Spark SDK，可以非常方便的在Spark 中消费日志服务中的数据，同时也支持将 Spark 的计算结果写入日志服务。

日志服务基础概念

日志服务的存储层是一个类似Kafka的Append only的FIFO消息队列，包含如下基本概念：

日志（Log）：由时间、及一组不定个数的Key-Value对组成。
日志组（LogGroup）：一组日志的集合，包含相同Meta信息如Topic，Source，Tags等。是读写的基本单位。

图-1 Log与LogGroup的关系

Shard：分区，LogGroup读写基本单元，对应于Kafka的partition。
Logstore：日志库，用以存放同一类日志数据。Logstore会包含1个或多个Shard。
Project：Logstore存放容器，包含一个或者多个Logstore。

准备工作

1）添加Maven依赖：

<dependency><groupId>com.aliyun.emr</groupId><artifactId>emr-logservice_2.11</artifactId><version>1.9.0</version>
</dependency>

Github源码下载。
2）计划消费的日志服务project，logstore以及对应的endpoint。
3）用于访问日志服务Open API的Access Key。

对 Spark Streaming 的支持

Spark Streaming是Spark最早推出的流计算技术，现在已经进入维护状态，不再会增加新的功能。但是考虑到Spark Streaming 的使用仍然非常广泛，我们先从Spark Streaming开始介绍。Spark Streaming 提供了一个DStream 的数据模型抽象，本质是把无界数据集拆分成一个一个的RDD，转化为有界数据集的流式计算。每个批次处理的数据就是这段时间内从日志服务消费到的数据。

图-2 DStream

Spark Streaming 从日志服务消费支持 Receiver 和 Direct 两种消费方式。

Receiver模式

Receivers的实现内部实现基于日志服务的消费组（Consumer Library）。数据拉取与处理完全分离。消费组自动均匀分配Logstore内的所有shard到所有的Receiver，并且自动提交checkpoint到SLS。这就意味着Logstore内的shard个数与Spark 实际的并发没有对应关系。
对于所有的Receiver，接收到的数据默认会保存在Spark Executors中，所以Failover的时候有可能造成数据丢失，这个时候就需要开启WAL日志，Failover的时候可以从WAL中恢复，防止丢失数据。

SDK将SLS中的每行日志解析为JSON字符串形式，Receiver使用示例如下所示：

object SLSReceiverSample {def main(args: Array[String]): Unit = {val project = "your project"val logstore = "your logstore"val consumerGroup = "consumer group"val endpoint = "your endpoint"val accessKeyId = "access key id"val accessKeySecret = "access key secret"val batchInterval = Milliseconds(5 * 1000)val conf = new SparkConf().setAppName("Test SLS Loghub")val ssc = new StreamingContext(conf, batchInterval)val stream = LoghubUtils.createStream(ssc,project,logstore,consumerGroup,endpoint,accessKeyId,accessKeySecret,StorageLevel.MEMORY_AND_DISK,LogHubCursorPosition.END_CURSOR)stream.checkpoint(batchInterval * 2).foreachRDD(rdd =>rdd.map(bytes => new String(bytes)).top(10).foreach(println))ssc.checkpoint("hdfs:///tmp/spark/streaming")ssc.start()ssc.awaitTermination()}
}

除Project，Logstore，Access Key 这些基础配置外，还可以指定StorageLevel，消费开始位置等。

Direct模式

Direct模式不再需要Receiver，也不依赖于消费组，而是使用日志服务的低级API，在每个批次内直接从服务端拉取数据处理。对于Logstore中的每个Shard来说，每个批次都会读取指定位置范围内的数据。为了保证一致性，只有在每个批次确认正常结束之后才能把每个Shard的消费结束位置（checkpoint）保存到服务端。

为了实现Direct模式，SDK依赖一个本地的ZooKeeper，每个shard的checkpoint会临时保存到本地的ZooKeeper，等用户手动提交checkpoint时，再从ZooKeeper中同步到服务端。Failover时也是先从本地ZooKeeper中尝试读上一次的checkpoint，如果没有读到再从服务端获取。

object SLSDirectSample {def main(args: Array[String]): Unit = {val project = "your project"val logstore = "your logstore"val consumerGroup = "consumerGroup"val endpoint = "endpoint"val accessKeyId = "access key id"val accessKeySecret = "access key secret"val batchInterval = Milliseconds(5 * 1000)val zkAddress = "localhost:2181"val conf = new SparkConf().setAppName("Test Direct SLS Loghub")val ssc = new StreamingContext(conf, batchInterval)val zkParas = Map("zookeeper.connect" -> zkAddress)val loghubStream = LoghubUtils.createDirectStream(ssc,project,logstore,consumerGroup,accessKeyId,accessKeySecret,endpoint,zkParas,LogHubCursorPosition.END_CURSOR)loghubStream.checkpoint(batchInterval).foreachRDD(rdd => {println(s"count by key: ${rdd.map(s => {s.sorted(s.length, s)}).countByKey().size}")// 手动更新checkpointloghubStream.asInstanceOf[CanCommitOffsets].commitAsync()})ssc.checkpoint("hdfs:///tmp/spark/streaming") // set checkpoint directoryssc.start()ssc.awaitTermination()}
}

Direct模式示例

如何限速

在Receiver中，如果需要限制消费速度，我们只需要调整 Consumer Library 本身的参数即可。而Direct方式是在每个批次开始时从SLS拉取数据，这就涉及到一个问题：一个批次内拉取多少数据才合适。如果太多，一个批次内处理不完，造成处理延时。如果太少会导worker空闲，工作不饱和，消费延时。这个时候我们就需要合理配置拉取的速度和行数，实现一个批次尽可能多处理又能及时完成的目标。理想状态下Spark 消费的整体速率应该与SLS采集速率一致，才能实现真正的实时处理。

由于SLS的数据模型是以LogGroup作为读写的基本单位，而一个LogGroup中可能包含上万行日志，这就意味着Spark中直接限制每个批次的行数难以实现。因此，Direct限流涉及到两个配置参数：

参数	说明	默认值
spark.streaming.loghub.maxRatePerShard	每个批次每个Shard读取行数，决定了限流的下限	10000
spark.loghub.batchGet.step	每次请求读取LogGroup个数，决定了限流的粒度	100

可以通过适当缩小spark.loghub.batchGet.step来控制限流的精度，但是即便如此，在某些情况下还是会存在较大误差，如一个LogGroup中存在10000行日志，spark.streaming.loghub.maxRatePerShard设置为100，spark.loghub.batchGet.step设置为1，那一个批次内该shard还是会拉取10000行日志。

两种模式的对比

和Receiver相比，Direct有如下的优势：

降低资源消耗，不需要占用Executor资源来作为Receiver的角色。
鲁棒性更好，在计算的时候才会从服务端真正消费数据，降低内存使用，不再需要WAL，Failover 直接在读一次就行了，更容易实现exactly once语义。
简化并行。Spark partition 与 Logstore 的 shard 个数对应，增加shard个数就能提高Spark任务处理并发上限。

但是也存在一些缺点：

在SLS场景下，需要依赖本地的 ZooKeeper 来保存临时 checkpoint，当调用 commitAsync 时从 ZooKeeper同步到日志服务服务端。所以当需要重置 checkpoint 时，也需要先删除本地 ZooKeeper 中的 checkpoint 才能生效。
上一个批次保存 checkpoint 之前，下一个批次无法真正开始，否则 ZooKeeper 中的 checkpoint 可能会被更新成一个中间状态。目前SDK在每个批次会检查是否上一个批次的 checkpoint 还没有提交，如果没有提交则生成一个空批次，而不是继续从服务端消费。
在 SLS 场景下，限流方式不够精确。

Spark Streaming结果写入SLS

与消费SLS相反，Spark Streaming的处理结果也可以直接写入SLS。使用示例：

...val lines = loghubStream.map(x => x)// 转换函数把结果中每条记录转为一行日志def transformFunc(x: String): LogItem = {val r = new LogItem()r.PushBack("key", x)r}val callback = new Callback with Serializable {override def onCompletion(result: Result): Unit = {println(s"Send result ${result.isSuccessful}")}}// SLS producer configval producerConfig = Map("sls.project" -> loghubProject,"sls.logstore" -> targetLogstore,"access.key.id" -> accessKeyId,"access.key.secret" -> accessKeySecret,"sls.endpoint" -> endpoint,"sls.ioThreadCount" -> "2")lines.writeToLoghub(producerConfig,"topic","streaming",transformFunc, Option.apply(callback))ssc.checkpoint("hdfs:///tmp/spark/streaming") // set checkpoint directoryssc.start()ssc.awaitTermination()

对Structured Streaming的支持

Structured Streaming 并不是最近才出现的技术，而是早在16年就已经出现，但是直到 Spark 2.2.0 才正式推出。其数据模型是基于无界表的概念，流数据相当于往一个表上不断追加行。

图-3 无界表模型

与Spark Streaming相比，Structured Streaming主要有如下特点：

底层实现基于Spark SQL引擎，可以使用大多数Spark SQL的函数。和Spark SQL共用大部分API，如果对Spark SQL熟悉的用户，非常容易上手。复用Spark SQL的执行引用，性能更佳。
支持 Process time 和 Event time，而Spark Streaming只支持 Process Time。
批流同一的API。Structured Streaming 复用Spark SQL的 DataSet/DataFrame模型，和 RDD/DStream相比更High level，易用性更好。
实时性更好，默认基于micro-batch模式。在 Spark 2.3 中，还增加了连续处理模型，号称可以做到毫秒级延迟。
API 对用户更友好，只保留了SparkSession一个入口，不需要创建各种Context对象，使用起来更简单。

SDK使用示例

import org.apache.spark.sql.SparkSession
import org.apache.spark.sql.types.{StringType, StructField, StructType}object StructuredStreamingDemo {def main(args: Array[String]) {val spark = SparkSession.builder.appName("StructuredLoghubWordCount").master("local").getOrCreate()import spark.implicits._val schema = new StructType(Array(StructField("content", StringType)))val lines = spark.readStream.format("loghub").schema(schema).option("sls.project", "your project").option("sls.store", "your logstore").option("access.key.id", "your access key id").option("access.key.secret", "your access key secret").option("endpoint", "your endpoint").option("startingoffsets", "latest").load().select("content").as[String]val wordCounts = lines.flatMap(_.split(" ")).groupBy("value").count()val query = wordCounts.writeStream.outputMode("complete").format("loghub").option("sls.project", "sink project").option("sls.store", "sink logstore").option("access.key.id", "your access key id").option("access.key.secret", "your access key secret").option("endpoint", "your endpoint").option("checkpointLocation", "your checkpoint dir").start()query.awaitTermination()}
}

代码解释：
1）schema 声明了我们需要的字段，除了日志中的字段外，还有如下的内部字段：

__logProject__
__logStore__
__shard__
__time__
__topic__
__source__
__sequence_number__ // 每行日志唯一id

如果没有指定schema，SDK默认提供一个__value__字段，其内容为由所有字段组成的一个JSON字符串。

2）lines 定义了一个流。
startingoffsets：开始位置，支持：

latest ：日志服务最新写入位置。强烈建议从latest开始，从其他位置开始意味着需要先处理历史数据，可能需要等待较长时间才能结束。
earliest：日志服务中最早的日志对应的位置。
或者为每个shard指定一个开始时间，以JSON形式指定。

maxOffsetsPerTrigger：批次读取行数，SDK中默认是64*1024 。

3）结果写入到日志服务
format 指定为Loghub即可。

不足之处

不支持手动提交checkpoint，SDK内部自动保存checkpoint到checkpointLocation中。
不再需要提供consumerGroup名称，也就是说checkpoint没有保存到SLS服务端，无法在日志服务里面监控消费延迟，只能通过Spark 任务日志观察消费进度。

原文链接
本文为阿里云原创内容，未经允许不得转载。