剖析Spark数据分区之Spark streaming & TiSpark

本文来自OPPO互联网技术团队，是《剖析Spark数据分区》系列文章的第三篇，本篇我们将分析Spark streaming，TiSpark中的数据分区。

系列一：剖析Spark数据分区之Hadoop分片

系列二：剖析Spark数据分区之Spark RDD分区

系列三：剖析Spark数据分区之Spark streaming & TiSpark分区

1. Kafka +Spark Streaming

Spark Streaming从Kafka接收数据，转换为Spark Streaming中的数据结构DStream即离散数据流。

数据接收方式有两种：

1. 使用Receiver接收的旧方法；
2. 使用Direct拉取的新方法（Spark 1.3引入）；

1.1 Receiver方式

当前spark已经不支持该模式。

receiver模式的并行度由spark.streaming.blockInterval决定，默认是200ms。

receiver模式接收block.batch数据后会封装到RDD中，这里的block对应RDD中的partition。

batchInterval一定的情况下：

• 减少spark.streaming.Interval参数值，会增大DStream中的partition个数。
• 建议spark.streaming.Interval最低不能低于50ms。

1.2 Direct方式

Spark会创建跟Kafka partition一样多的RDD partition，并且会并行从Kafka中读取数据。所以在Kafka partition和RDD partition之间，有一个一对一的映射关系。

DirectKafkaInputDStream定期生成的RDD的类型是KafkaRDD。

我们首先看看 KafkaRDD是如何划分分区的：

它会根据从初始化时接收的offset信息参数，生成KafkaRDDPartition分区；每个分区对应着Kafka的一个topic partition 的一段数据，这段数据的信息OffsetRange表示， 它保存了数据的位置。

下面我们详细分析DirectKafkaInputDStream的compute方法：

通过源码分析可知：Partition的计算方法是为topic的每一个partition创建一个OffsetRange，所有的OffsetRange生成一个KafkaRDD。

下面我们分析KafkaRDD的getPartitions方法：

每个OffsetRange生成一个Partition。

如何增大RDD的分区数，让每个partition处理的数据量增大？

通过源码分析，可通过调小Kafka消息中Topic的分区数目；想要增加RDD的并行度，可通过调大Kafka消息中Topic的分区数目。

2. TiSpark

2.1 TiDB架构

TiDB集群主要分为3个组件:

TiDB Server负责接收SQL请求，处理SQL相关的逻辑，并通过PD找到存储计算所需要的TiKV地址，与TiKV交互获取数据，最终返回结构；

TiDB Server并不存储数据，只负责计算，可以无限水平扩展，可以通过负载均衡组件如LVS, HAProxy，F5等对外提供的接入地址。

2.2 TiKV Server

TiKV负责数据存储，从外部看是一个分布式的提供事物的Key-Value存储引擎。

存储数据的基本单位是Region，每个Region负责存储一个Key Range (从StartKey到EndKey的左闭右开区间) 区间的数据，每个TiKV节点会负责多个Region，数据在多个TiKV之间的负载均衡由PD调度，也是以Region为单位进行调度。

2.3 Region

TiDB 的数据分布是以 Region 为单位的。一个 Region 包含了一个范围内的数据，通常是 96MB 的大小，Region 的 meta 信息包含了 StartKey 和 EndKey 这两个属性。

当某个 key >= StartKey && key < EndKey 的时候：我们就知道了这个 key 所在的 Region，然后我们就可以通过查找该 Region 所在的 TiKV 地址，去这个地址读取这个 key 的数据。

获取 key 所在的 Region, 是通过向 PD 发送请求完成的。
GetRegion(ctx context.Context, key []byte) (metapb.Region, metapb.Peer, error)

通过调用这个接口，我们就可以定位这个 key 所在的 Region 了。

如果需要获取一个范围内的多个 Region：我们会从这个范围的 StartKey 开始，多次调用 GetRegion 这个接口，每次返回的 Region 的 EndKey 做为下次请求的 StartKey，直到返回的 Region 的 EndKey 大于请求范围的 EndKey。

以上执行过程有一个很明显的问题：就是我们每次读取数据的时候，都需要先去访问 PD，这样会给 PD 带来巨大压力，同时影响请求的性能。

为了解决这个问题：tikv-client 实现了一个 RegionCache 的组件，缓存 Region 信息。

当需要定位 key 所在的 Region 的时候：如果 RegionCache 命中，就不需要访问 PD 了。

RegionCache 内部有两种数据结构保存 Region信息：

1. map；用 map 可以快速根据 region ID 查找到 Region，
2. b-tree；用 b-tree 可以根据一个 key 找到包含该 key 的 Region。

严格来说：PD 上保存的 Region 信息，也是一层 cache；真正最新的 Region 信息是存储在 tikv-server 上的，每个 tikv-server 会自己决定什么时候进行 Region 分裂。

在 Region 变化的时候，把信息上报给 PD，PD 用上报上来的 Region 信息，满足 tidb-server 的查询需求。

当我们从 cache 获取了 Region 信息，并发送请求以后， tikv-server 会对 Region 信息进行校验，确保请求的 Region 信息是正确的。

如果因为 Region 分裂，Region 迁移导致了 Region 信息变化。请求的 Region 信息就会过期，这时 tikv-server 就会返回 Region 错误。

遇到了 Region 错误，我们就需要清理 RegionCache，重新获取最新的 Region 信息，并重新发送请求。

2.4 TiSpark架构图

TiSpark深度整合了Spark Catalyst引擎，使得Spark能够高效的读取TiKV中存储的数据进行分布式计算。

下面分析TiRDD中的getPartitions方法：

通过源码分析：首先通过splitRangeByRegion获取keyWithRegionTasks, 对于每一个RegionTask创建一个TiPartition。

可见TiSpark的Partition分区数目与TiKV的region数目一致，如果想要提高TiSpark任务的并行度，可修改如下两个参数值：

1. region-max-size；
2. region-split-size；

3. 结尾

通过以上种种情况的分析，只要我们能正确的认识在各种场景下分区与task的关系，进而加以实际的对影响分区的参数调优，也可以让数据量大的任务也能快起来，同时能清楚的解答数据分析师的问题。