Apache spark spark流媒体和连接池的实现
spark streaming网站在中提到以下代码:Apache spark spark流媒体和连接池的实现,apache-spark,spark-streaming,Apache Spark,Spark Streaming,spark streaming网站在中提到以下代码: dstream.foreachRDD { rdd => rdd.foreachPartition { partitionOfRecords => // ConnectionPool is a static, lazily initialized pool of connections val connection = ConnectionPool.getConnection() partitionOfR
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
}
}
我尝试使用org.apache.commons.pool2实现此功能,但运行应用程序失败,出现预期的java.io.NotSerializableException:
15/05/26 08:06:21 ERROR OneForOneStrategy: org.apache.commons.pool2.impl.GenericObjectPool
java.io.NotSerializableException: org.apache.commons.pool2.impl.GenericObjectPool
at java.io.ObjectOutputStream.writeObject0(ObjectOutputStream.java:1184)
...
我想知道实现一个可序列化的连接池有多现实。有人成功地做到了这一点吗
多谢各位 下面的答案是错误的强> 我把答案留在这里作为参考,但答案是错误的,原因如下
socketPool
被声明为lazy val
,因此它将在每次首次请求访问时被实例化。由于SocketPool案例类不是可序列化的,这意味着它将在每个分区中实例化。这使得连接池毫无用处,因为我们希望保持分区和RDD之间的连接。它是作为一个伴生对象实现还是作为一个case类实现都没有区别。底线是:连接池必须是可序列化的,而apachecommons池则不是
import java.io.PrintStream
import java.net.Socket
import org.apache.commons.pool2.{PooledObject, BasePooledObjectFactory}
import org.apache.commons.pool2.impl.{DefaultPooledObject, GenericObjectPool}
import org.apache.spark.streaming.dstream.DStream
/**
* Publish a Spark stream to a socket.
*/
class PooledSocketStreamPublisher[T](host: String, port: Int)
extends Serializable {
lazy val socketPool = SocketPool(host, port)
/**
* Publish the stream to a socket.
*/
def publishStream(stream: DStream[T], callback: (T) => String) = {
stream.foreachRDD { rdd =>
rdd.foreachPartition { partition =>
val socket = socketPool.getSocket
val out = new PrintStream(socket.getOutputStream)
partition.foreach { event =>
val text : String = callback(event)
out.println(text)
out.flush()
}
out.close()
socketPool.returnSocket(socket)
}
}
}
}
class SocketFactory(host: String, port: Int) extends BasePooledObjectFactory[Socket] {
def create(): Socket = {
new Socket(host, port)
}
def wrap(socket: Socket): PooledObject[Socket] = {
new DefaultPooledObject[Socket](socket)
}
}
case class SocketPool(host: String, port: Int) {
val socketPool = new GenericObjectPool[Socket](new SocketFactory(host, port))
def getSocket: Socket = {
socketPool.borrowObject
}
def returnSocket(socket: Socket) = {
socketPool.returnObject(socket)
}
}
您可以按如下方式调用:
val socketStreamPublisher = new PooledSocketStreamPublisher[MyEvent](host = "10.10.30.101", port = 29009)
socketStreamPublisher.publishStream(myEventStream, (e: MyEvent) => Json.stringify(Json.toJson(e)))
要解决这个“本地资源”问题,需要一个单例对象,即保证在JVM中实例化一次且仅实例化一次的对象。幸运的是,Scalaobject
提供了这个现成的功能
要考虑的第二件事是,这个单独的一个将为运行在同一个JVM上的所有托管任务提供服务,因此,它必须关心并发和资源管理。 让我们试着画出(*)这样的服务:
class ManagedSocket(专用val池:对象池,val套接字:套接字){
def release()=pool.returnObject(套接字)
}
//单态对象
对象套接字池{
var hostPortPool:Map[(字符串,Int),ObjectPool]=Map()
sys.addShutdownHook{
hostPortPool.values.foreach{//终止每个池}
}
//工厂法
def应用(主机:字符串,端口:字符串):ManagedSocket={
val pool=hostPortPool.getOrElse{(主机,端口){
val p=???//为(主机、端口)创建新池
hostPortPool+=(主机,端口)->p
P
}
新ManagedSocket(池,池.对象)
}
}
然后用法变成:
val host = ???
val port = ???
stream.foreachRDD { rdd =>
rdd.foreachPartition { partition =>
val mSocket = SocketPool(host, port)
partition.foreach{elem =>
val os = mSocket.socket.getOutputStream()
// do stuff with os + elem
}
mSocket.release()
}
}
我假设问题中使用的GenericObjectPool
负责并发性。否则,需要通过某种形式的同步来保护对每个池
实例的访问
(*)提供的代码说明了如何设计此类对象的想法-需要额外的努力才能转换为工作版本。实际上,您希望将池设置为
对象
,这是每个运行执行器的JVM的一个单例。这样,初始化只会发生一次,并且可以保持状态(如使用中的插座)在Spark任务之间。我如何在对象中配置主机和端口等属性?因为这正是我使用case类而不是对象的原因。您的说明是正确的-此版本将为每个执行器上的mapPartitions的每次交互重新实例化池-我花了几分钟时间草拟一个可行的解决方案;请参阅答案。这种方法似乎有效。非常感谢。我将其标记为首选答案。对于此答案的具体实现,请参阅在Java中使用ThreadLocal而不是Singleton更好。使用ThreadLocal,每个线程都有一个实例,因此可以避免并发问题。@CarlosVerdes取决于您的需要。如果实现缓存,拥有一个ThreadLocal实例将意味着使用该代码路径复制n倍于可能线程数的数据,这可能是一个选项。映射是否应该是并发的,并且池条目是否应该以原子方式使用putIfAbsent
创建?这个解决方案是可以的。但是,为什么我们需要一个池呢?我们每个分区都有连接,通常每个分区只有一个线程,所以每个分区都不会有多个连接因为singleton是好的,因为它的主要目的是在spark流媒体中重用每个微批次的连接。所以我们不会在每个微批次中重新创建DBdao(在短时间间隔流媒体的情况下这会很糟糕)。