[[403404]]

本文轉載自微信公眾號「Java大數(shù)據(jù)與數(shù)據(jù)倉庫」，作者柯少爺。轉載本文請聯(lián)系Java大數(shù)據(jù)與數(shù)據(jù)倉庫公眾號。

最近有個需求，實時統(tǒng)計pv,uv，結果按照date,hour,pv,uv來展示，按天統(tǒng)計，第二天重新統(tǒng)計，當然了實際還需要按照類型字段分類統(tǒng)計pv,uv,比如按照date,hour,pv,uv,type來展示。這里介紹最基本的pv,uv的展示。

關于什么是pv,uv，可以參見這篇博客:https://blog.csdn.net/petermsh/article/details/78652246

1、項目流程

日志數(shù)據(jù)從flume采集過來，落到hdfs供其它離線業(yè)務使用，也會sink到kafka，sparkStreaming從kafka拉數(shù)據(jù)過來，計算pv,uv，uv是用的redis的set集合去重，最后把結果寫入mysql數(shù)據(jù)庫，供前端展示使用。

2、具體過程

1)pv的計算

拉取數(shù)據(jù)有兩種方式，基于received和direct方式，這里用direct直拉的方式，用的mapWithState算子保存狀態(tài)，這個算子與updateStateByKey一樣，并且性能更好。當然了實際中數(shù)據(jù)過來需要經(jīng)過清洗，過濾，才能使用。

定義一個狀態(tài)函數(shù)

// 實時流量狀態(tài)更新函數(shù) 
  val mapFunction = (datehour:String, pv:Option[Long], state:State[Long]) => { 
    val accuSum = pv.getOrElse(0L) + state.getOption().getOrElse(0L) 
    val output = (datehour,accuSum) 
    state.update(accuSum) 
    output 
  } 

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的數(shù)據(jù)，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，原理是每進來一條數(shù)據(jù)，將date作為key，guid加入set集合，20秒刷新一次，也就是將set集合的尺寸取出來，更新一下數(shù)據(jù)庫即可。

helper_data.foreachRDD(rdd => { 
        rdd.foreachPartition(eachPartition => { 
        // 獲取redis連接 
          val jedis = getJedis 
          eachPartition.foreach(x => { 
            // 省略若干... 
            jedis.sadd(key,x._2) 
            // 設置存儲每天的數(shù)據(jù)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) 
          }) 
          // 關閉連接 
          closeJedis(jedis) 
        }) 
      }) 

3)結果保存到數(shù)據(jù)庫

結果保存到mysql，數(shù)據(jù)庫，10秒刷新一次數(shù)據(jù)庫，前端展示刷新一次，就會重新查詢一次數(shù)據(jù)庫，做到實時統(tǒng)計展示pv,uv的目的。

/** 
 * 插入數(shù)據(jù) 
    * @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，在數(shù)據(jù)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 sql = .... 
              // 省略若干 
              stmt.addBatch(sql) 
            }) 
            closeJedis(jedis) 
            stmt.executeBatch() // 批量執(zhí)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)數(shù)據(jù)容錯

流處理消費kafka都會考慮到數(shù)據(jù)丟失問題，一般可以保存到任何存儲系統(tǒng)，包括mysql,hdfs,hbase,redis,zookeeper等到。這里用SparkStreaming自帶的checkpoint機制來實現(xiàn)應用重啟時數(shù)據(jù)恢復。

checkpoint

這里采用的是checkpoint機制，在重啟或者失敗后重啟可以直接讀取上次沒有完成的任務，從kafka對應offset讀取數(shù)據(jù)。

// 初始化配置文件 
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毀StreamingContext對象，重新統(tǒng)計計算pv,uv。

注意：ssc.stop(false,true)表示優(yōu)雅地銷毀StreamingContext對象，不能銷毀SparkContext對象，ssc.stop(true,true)會停掉SparkContext對象，程序就直接停了。

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代碼，重新打jar包的，這時候如果把程序停了，新的應用還是會讀取老的checkpoint，可能會有兩個問題：

執(zhí)行的還是上一次的程序，因為checkpoint里面也有序列化的代碼;

直接執(zhí)行失敗，反序列化失敗;

其實有時候，修改代碼后不用刪除checkpoint也是可以直接生效，經(jīng)過很多測試，我發(fā)現(xiàn)如果對數(shù)據(jù)的過濾操作導致數(shù)據(jù)過濾邏輯改變，還有狀態(tài)操作保存修改，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，直接導致數(shù)據(jù)丟失，這種情況下我一般這么做。

這種情況一般是在另外一個集群，或者把checkpoint目錄修改下，我們是代碼與配置文件分離，所以修改配置文件checkpoint的位置還是很方便的。然后兩個程序一起跑，除了checkpoint目錄不一樣，會重新建，都插入同一個數(shù)據(jù)庫，跑一段時間后，把舊的程序停掉就好。以前看官網(wǎng)這么說，只能記住不能清楚明了，只有自己做時才會想一下辦法去保證數(shù)據(jù)準確。

5)保存offset到mysql

如果保存offset到mysql，就可以將pv, uv和offset作為一條語句保存到mysql，從而可以保證exactly-once語義。

var messages: InputDStream[ConsumerRecord[String, String]] = null 
      if (tpMap.nonEmpty) { 
        messages = KafkaUtils.createDirectStream[String, String]( 
          ssc 
          , LocationStrategies.PreferConsistent 
          , ConsumerStrategies.Subscribe[String, String](topics, kafkaParams, tpMap.toMap) 
        ) 
      } else { 
 
        messages = KafkaUtils.createDirectStream[String, String]( 
          ssc 
          , LocationStrategies.PreferConsistent 
          , ConsumerStrategies.Subscribe[String, String](topics, kafkaParams) 
        ) 
      } 
 
       
      messages.foreachRDD(rdd => { 
          .... 
}) 

從mysql讀取offset并且解析：

/** 
    * 從mysql查詢offset 
    * 
    * @param tbName 
    * @return 
    */ 
  def getLastOffsets(tbName: String): mutable.HashMap[TopicPartition, Long] = { 
    val sql = s"select offset from ${tbName} where id = (select max(id) from ${tbName})" 
    val conn = MysqlPool.getConnection(config) 
    val psts = conn.prepareStatement(sql) 
    val res = psts.executeQuery() 
    var tpMap: mutable.HashMap[TopicPartition, Long] = mutable.HashMap[TopicPartition, Long]() 
    while (res.next()) { 
      val o = res.getString(1) 
      val jSONArray = JSON.parseArray(o) 
      jSONArray.toArray().foreach(offset => { 
        val json = JSON.parseObject(offset.toString) 
        val topicAndPartition = new TopicPartition(json.getString("topic"), json.getInteger("partition")) 
        tpMap.put(topicAndPartition, json.getLong("untilOffset")) 
      }) 
    } 
    MysqlPool.closeCon(res, psts, conn) 
    tpMap 
} 

6)日志

日志用的log4j2，本地保存一份，ERROR級別的日志會通過郵件發(fā)送到手機，如果錯誤太多也會被郵件轟炸，需要注意。

val logger = LogManager.getLogger(HelperHandle.getClass.getSimpleName) 
  // 郵件level=error日志 
  val logger2 = LogManager.getLogger("email")