Spark踩坑記——數據庫（Hbase+Mysql）轉

轉自：http://www.cnblogs.com/xlturing/p/spark.html

前言

在使用Spark Streaming的過程中對於計算產生結果的進行持久化時，我們往往需要操作數據庫，去統計或者改變一些值。最近一個實時消費者處理任務，在使用spark streaming進行實時的數據流處理時，我需要將計算好的數據更新到hbase和mysql中，所以本文對spark操作hbase和mysql的內容進行總結，並且對自己踩到的一些坑進行記錄。

Spark Streaming持久化設計模式

DStreams輸出操作

• print：打印driver結點上每個Dstream中的前10個batch元素，常用於開發和調試
• saveAsTextFiles(prefix, [suffix])：將當前Dstream保存為文件，每個interval batch的文件名命名規則基於prefix和suffix："prefix-TIME_IN_MS[.suffix]".
• saveAsObjectFiles(prefix, [suffix])：將當前的Dstream內容作為Java可序列化對象的序列化文件進行保存，每個interval batch的文件命名規則基於prefix和suffix：: "prefix-TIME_IN_MS[.suffix]".
• saveAsHadoopFiles(prefix, [suffix])：將Dstream以hadoop文件的形式進行保存，每個interval batch的文件命名規則基於prefix和suffix：: "prefix-TIME_IN_MS[.suffix]".
• foreachRDD(func)：最通用的輸出操作，可以對從數據流中產生的每一個RDD應用函數_fun_。通常_fun_會將每個RDD中的數據保存到外部系統，如：將RDD保存到文件，或者通過網絡連接保存到數據庫。值得注意的是：_fun_執行在跑應用的driver進程中，並且通常會包含RDD action以促使數據流RDD開始計算。

使用foreachRDD的設計模式

dstream.foreachRDD對於開發而言提供了很大的靈活性，但在使用時也要避免很多常見的坑。我們通常將數據保存到外部系統中的流程是：建立遠程連接->通過連接傳輸數據到遠程系統->關閉連接。針對這個流程我們很直接的想到了下面的程序代碼：

dstream.foreachRDD { rdd => val connection = createNewConnection() // executed at the driver rdd.foreach { record => connection.send(record) // executed at the worker } }

在spark踩坑記——初試中，對spark的worker和driver進行了整理，我們知道在集群模式下，上述代碼中的connection需要通過序列化對象的形式從driver發送到worker，但是connection是無法在機器之間傳遞的，即connection是無法序列化的，這樣可能會引起_serialization errors (connection object not serializable)_的錯誤。為了避免這種錯誤，我們將conenction在worker當中建立，代碼如下：

dstream.foreachRDD { rdd => rdd.foreach { record => val connection = createNewConnection() connection.send(record) connection.close() } }

似乎這樣問題解決了？但是細想下，我們在每個rdd的每條記錄當中都進行了connection的建立和關閉，這會導致不必要的高負荷並且降低整個系統的吞吐量。所以一個更好的方式是使用_rdd.foreachPartition_即對於每一個rdd的partition建立唯一的連接(注：每個partition是內的rdd是運行在同一worker之上的)，代碼如下：

dstream.foreachRDD { rdd =>
  rdd.foreachPartition { partitionOfRecords =>
    val connection = createNewConnection()
    partitionOfRecords.foreach(record => connection.send(record)) connection.close() } }

這樣我們降低了頻繁建立連接的負載，通常我們在連接數據庫時會使用連接池，把連接池的概念引入，代碼優化如下：

dstream.foreachRDD { rdd =>
  rdd.foreachPartition { partitionOfRecords =>
    // ConnectionPool is a static, lazily initialized pool of connections val connection = ConnectionPool.getConnection() partitionOfRecords.foreach(record => connection.send(record)) ConnectionPool.returnConnection(connection) // return to the pool for future reuse } }

通過持有一個靜態連接池對象，我們可以重復利用connection而進一步優化了連接建立的開銷，從而降低了負載。另外值得注意的是，同數據庫的連接池類似，我們這里所說的連接池同樣應該是lazy的按需建立連接，並且及時的收回超時的連接。
另外值得注意的是：

• 如果在spark streaming中使用了多次foreachRDD，它們之間是按照程序順序向下執行的
• Dstream對於輸出操作的執行策略是lazy的，所以如果我們在foreachRDD中不添加任何RDD action，那么系統僅僅會接收數據然后將數據丟棄。

Spark訪問Hbase

上面我們闡述了將spark streaming的Dstream輸出到外部系統的基本設計模式，這里我們闡述如何將Dstream輸出到Hbase集群。

Hbase通用連接類

Scala連接Hbase是通過zookeeper獲取信息，所以在配置時需要提供zookeeper的相關信息，如下：

import org.apache.hadoop.hbase.HBaseConfiguration import org.apache.hadoop.hbase.client.Connection import org.apache.hadoop.hbase.HConstants import org.apache.hadoop.hbase.client.ConnectionFactory object HbaseUtil extends Serializable { private val conf = HBaseConfiguration.create() private val para = Conf.hbaseConfig // Conf為配置類，獲取hbase的配置 conf.set(HConstants.ZOOKEEPER_CLIENT_PORT, para.get("port").getOrElse("2181")) conf.set(HConstants.ZOOKEEPER_QUORUM, para.get("quorum").getOrElse("127-0-0-1")) // hosts private val connection = ConnectionFactory.createConnection(conf) def getHbaseConn: Connection = connection }

根據網上資料，Hbase的連接的特殊性我們並沒有使用連接池

Hbase輸出操作

我們以put操作為例，演示將上述設計模式應用到Hbase輸出操作當中：

dstream.foreachRDD(rdd => {
  if (!rdd.isEmpty) { rdd.foreachPartition(partitionRecords => { val connection = HbaseUtil.getHbaseConn // 獲取Hbase連接 partitionRecords.foreach(data => { val tableName = TableName.valueOf("tableName") val t = connection.getTable(tableName) try { val put = new Put(Bytes.toBytes(_rowKey_)) // row key // column, qualifier, value put.addColumn(_column_.getBytes, _qualifier_.getBytes, _value_.getBytes) Try(t.put(put)).getOrElse(t.close()) // do some log（顯示在worker上） } catch { case e: Exception => // log error e.printStackTrace() } finally { t.close() } }) }) // do some log(顯示在driver上) } })

關於Hbase的其他操作可以參考Spark 下操作 HBase（1.0.0 新 API）

填坑記錄

重點記錄在連接Hbase過程中配置HConstants.ZOOKEEPER_QUORUM的問題：

• 由於Hbase的連接不能直接使用ip地址進行訪問,往往需要配置hosts,例如我在上述代碼段中127-0-0-1（任意），我們在hosts中需要配置

  127-0-0-1 127.0.0.1

• 在單機情況下，我們只需要配置一台zookeeper所在Hbase的hosts即可，但是當切換到Hbase集群是遇到一個詭異的bug
  問題描述：在foreachRDD中將Dstream保存到Hbase時會卡住，並且沒有任何錯誤信息爆出（沒錯！它就是卡住，沒反應）
  問題分析：由於Hbase集群有多台機器，而我們只配置了一台Hbase機器的hosts，這樣導致Spark集群在訪問Hbase時不斷的去尋找但卻找不到就卡在那里
  解決方式：對每個worker上的hosts配置了所有hbase的節點ip，問題解決

Spark訪問Mysql

同訪問Hbase類似，我們也需要有一個可序列化的類來建立Mysql連接，這里我們利用了Mysql的C3P0連接池

MySQL通用連接類

import java.sql.Connection import java.util.Properties import com.mchange.v2.c3p0.ComboPooledDataSource class MysqlPool extends Serializable { private val cpds: ComboPooledDataSource = new ComboPooledDataSource(true) private val conf = Conf.mysqlConfig try { cpds.setJdbcUrl(conf.get("url").getOrElse("jdbc:mysql://127.0.0.1:3306/test_bee?useUnicode=true&characterEncoding=UTF-8")); cpds.setDriverClass("com.mysql.jdbc.Driver"); cpds.setUser(conf.get("username").getOrElse("root")); cpds.setPassword(conf.get("password").getOrElse("")) cpds.setMaxPoolSize(200) cpds.setMinPoolSize(20) cpds.setAcquireIncrement(5) cpds.setMaxStatements(180) } catch { case e: Exception => e.printStackTrace() } def getConnection: Connection = { try { return cpds.getConnection(); } catch { case ex: Exception => ex.printStackTrace() null } } } object MysqlManager { var mysqlManager: MysqlPool = _ def getMysqlManager: MysqlPool = { synchronized { if (mysqlManager == null) { mysqlManager = new MysqlPool } } mysqlManager } }

我們利用c3p0建立Mysql連接池，然后訪問的時候每次從連接池中取出連接用於數據傳輸。

Mysql輸出操作

同樣利用之前的foreachRDD設計模式，將Dstream輸出到mysql的代碼如下：

dstream.foreachRDD(rdd => {
    if (!rdd.isEmpty) { rdd.foreachPartition(partitionRecords => { //從連接池中獲取一個連接 val conn = MysqlManager.getMysqlManager.getConnection val statement = conn.createStatement try { conn.setAutoCommit(false) partitionRecords.foreach(record => { val sql = "insert into table..." // 需要執行的sql操作 statement.addBatch(sql) }) statement.executeBatch conn.commit } catch { case e: Exception => // do some log } finally { statement.close() conn.close() } }) } })

值得注意的是:

• 我們在提交Mysql的操作的時候，並不是每條記錄提交一次，而是采用了批量提交的形式，所以需要將conn.setAutoCommit(false)，這樣可以進一步提高mysql的效率。
• 如果我們更新Mysql中帶索引的字段時，會導致更新速度較慢，這種情況應想辦法避免，如果不可避免，那就硬上吧（T^T)

部署

提供一下Spark連接Mysql和Hbase所需要的jar包的maven配置：

<dependency><!-- Hbase --> <groupId>org.apache.hbase</groupId> <artifactId>hbase-client</artifactId> <version>1.0.0</version> </dependency> <dependency> <groupId>org.apache.hbase</groupId> <artifactId>hbase-common</artifactId> <version>1.0.0</version> </dependency> <dependency> <groupId>org.apache.hbase</groupId> <artifactId>hbase-server</artifactId> <version>1.0.0</version> </dependency> <dependency><!-- Mysql --> <groupId>mysql</groupId> <artifactId>mysql-connector-java</artifactId> <version>5.1.31</version> </dependency> <dependency> <groupId>c3p0</groupId> <artifactId>c3p0</artifactId> <version>0.9.1.2</version> </dependency>

參考文獻：

1. Spark Streaming Programming Guide
2. HBase介紹
3. Spark 下操作 HBase（1.0.0 新 API）
4. Spark開發快速入門
5. kafka->spark->streaming->mysql（scala）實時數據處理示例
6. Spark Streaming 中使用c3p0連接池操作mysql數據庫