Technology

Chart Type 《大数据经典论文解读》 三驾马车学习 Spark 内存管理及调优 Yarn学习 从Spark部署模式开始讲源码分析 容器狂占内存资源怎么办? 多角度理解一致性 golang io使用及优化模式 Flink学习 c++学习 学习ebpf go设计哲学 ceph学习 学习mesh kvm虚拟化 学习MQ go编译器 学习go 为什么要有堆栈 汇编语言 计算机组成原理 运行时和库 Prometheus client mysql 事务 mysql 事务的隔离级别 mysql 索引 坏味道 学习分布式 学习网络 学习Linux go 内存管理 golang 系统调用与阻塞处理 Goroutine 调度过程 重新认识cpu mosn有的没的 负载均衡泛谈 单元测试的新解读 《Redis核心技术与实现》笔记 《Prometheus监控实战》笔记 Prometheus 告警学习 calico源码分析 对容器云平台的理解 Prometheus 源码分析 并发的成本 基础设施优化 hashicorp raft源码学习 docker 架构 mosn细节 与微服务框架整合 Java动态代理 编程范式 并发通信模型 《网络是怎样连接的》笔记 go channel codereview gc分析 jvm 线程实现 go打包机制 go interface及反射 如何学习Kubernetes 《编译原理之美》笔记——后端部分 《编译原理之美》笔记——前端部分 Pilot MCP协议分析 go gc 内存管理玩法汇总 软件机制 istio流量管理 Pilot源码分析 golang io 学习Spring mosn源码浅析 MOSN简介 《datacenter as a computer》笔记 学习JVM Tomcat源码分析 Linux可观测性 学习存储 学计算 Gotty源码分析 kubernetes operator kaggle泰坦尼克问题实践 kubernetes扩缩容 神经网络模型优化 直觉上理解深度学习 如何学习机器学习 TIDB源码分析 什么是云原生 Alibaba Java诊断工具Arthas TIDB存储——TIKV 《Apache Kafka源码分析》——简介 netty中的线程池 guava cache 源码分析 Springboot 启动过程分析 Spring 创建Bean的年代变迁 Linux内存管理 自定义CNI IPAM 共识算法 spring redis 源码分析 kafka实践 spring kafka 源码分析 Linux进程调度 让kafka支持优先级队列 Codis源码分析 Redis源码分析 C语言学习 《趣谈Linux操作系统》笔记 docker和k8s安全访问机制 jvm crash分析 Prometheus 学习 Kubernetes监控 容器日志采集 Kubernetes 控制器模型 容器狂占资源怎么办? Kubernetes资源调度——scheduler 时序性数据库介绍及对比 influxdb入门 maven的基本概念 《Apache Kafka源码分析》——server Kubernetes类型系统 源码分析体会 《数据结构与算法之美》——算法新解 Kubernetes源码分析——controller mananger Kubernetes源码分析——apiserver Kubernetes源码分析——kubelet Kubernetes介绍 ansible学习 Kubernetes源码分析——从kubectl开始 jib源码分析之Step实现 jib源码分析之细节 线程排队 跨主机容器通信 jib源码分析及应用 为容器选择一个合适的entrypoint kubernetes yaml配置 《持续交付36讲》笔记 mybatis学习 程序猿应该知道的 无锁数据结构和算法 CNI——容器网络是如何打通的 为什么很多业务程序猿觉得数据结构和算法没用? 串一串一致性协议 当我在说PaaS时,我在说什么 《数据结构与算法之美》——数据结构笔记 PouchContainer技术分享体会 harbor学习 用groovy 来动态化你的代码 精简代码的利器——lombok 学习 《深入剖析kubernetes》笔记 编程语言那些事儿 rxjava3——背压 rxjava2——线程切换 spring cloud 初识 《深入拆解java 虚拟机》笔记 《how tomcat works》笔记 hystrix 学习 rxjava1——概念 Redis 学习 TIDB 学习 如何分发计算 Storm 学习 AQS1——论文学习 Unsafe Spark Stream 学习 linux vfs轮廓 《自己动手写docker》笔记 java8 实践 中本聪比特币白皮书 细读 区块链泛谈 比特币 大杂烩 总纲——如何学习分布式系统 hbase 泛谈 forkjoin 泛谈 看不见摸不着的cdn是啥 《jdk8 in action》笔记 程序猿视角看网络 bgp初识 calico学习 AQS——粗略的代码分析 我们能用反射做什么 web 跨域问题 《clean code》笔记 《Elasticsearch权威指南》笔记 mockito简介及源码分析 2017软件开发小结—— 从做功能到做系统 《Apache Kafka源码分析》——clients dns隐藏的一个坑 《mysql技术内幕》笔记 log4j学习 为什么netty比较难懂? 回溯法 apollo client源码分析及看待面向对象设计 学习并发 docker运行java项目的常见问题 OpenTSDB 入门 spring事务小结 分布式事务 javascript应用在哪里 《netty in action》读书笔记 netty对http2协议的解析 ssl证书是什么东西 http那些事 苹果APNs推送框架pushy apple 推送那些事儿 编写java框架的几大利器 java内存模型 java exception Linux IO学习 netty内存管理 测试环境docker化实践 netty在框架中的使用套路 Nginx简单使用 《Linux内核设计的艺术》小结 Go并发机制及语言层工具 Linux网络源代码学习——数据包的发送与接收 《docker源码分析》小结 docker namespace和cgroup Linux网络源代码学习——整体介绍 zookeeper三重奏 数据库的一些知识 Spark 泛谈 链式处理的那些套路 netty回顾 Thrift基本原理与实践(二) Thrift基本原理与实践(一) 回调 异步执行抽象——Executor与Future Docker0.1.0源码分析 java gc Jedis源码分析 深度学习泛谈 Linux网络命令操作 JTA与TCC 换个角度看待设计模式 Scala初识 向Hadoop学习NIO的使用 以新的角度看数据结构 并发控制相关的硬件与内核支持 systemd 简介 quartz 源码分析 基于docker搭建测试环境(二) spring aop 实现原理简述 自己动手写spring(八) 支持AOP 自己动手写spring(七) 类结构设计调整 分析log日志 自己动手写spring(六) 支持FactoryBean 自己动手写spring(九) 总结 自己动手写spring(五) bean的生命周期管理 自己动手写spring(四) 整合xml与注解方式 自己动手写spring(三) 支持注解方式 自己动手写spring(二) 创建一个bean工厂 自己动手写spring(一) 使用digester varnish 简单使用 关于docker image的那点事儿 基于docker搭建测试环境 分布式配置系统 JVM执行 git maven/ant/gradle/make使用 再看tcp kv系统 java nio的多线程扩展 《Concurrency Models》笔记 回头看Spring IOC IntelliJ IDEA使用 Java泛型 vagrant 使用 Go常用的一些库 Python初学 Goroutine 调度模型 虚拟网络 《程序员的自我修养》小结 Kubernetes存储 访问Kubernetes上的Service Kubernetes副本管理 Kubernetes pod 组件 Go基础 JVM类加载 硬币和扑克牌问题 LRU实现 virtualbox 使用 ThreadLocal小结 docker快速入门

Architecture

实时训练 分布式链路追踪 helm tensorflow原理——python层分析 如何学习tensorflow 数据并行——allreduce 数据并行——ps 机器学习中的python调用c 机器学习训练框架概述 embedding的原理及实践 tensornet源码分析 大模型训练 X的生成——特征工程 tvm tensorflow原理——core层分析 模型演变 《深度学习推荐系统实战》笔记 keras 和 Estimator tensorflow分布式训练 分布式训练的一些问题 基于Volcano的弹性训练 图神经网络 pytorch弹性分布式训练 在离线业务混部 RNN pytorch分布式训练 CNN 《动手学深度学习》笔记 pytorch与线性回归 多活 volcano特性源码分析 推理服务 kubebuilder 学习 mpi 学习pytorch client-go学习 tensorflow学习 提高gpu 利用率 GPU与容器的结合 GPU入门 AI云平台 tf-operator源码分析 k8s批处理调度 喜马拉雅容器化实践 Kubernetes 实践 学习rpc BFF 生命周期管理 openkruise学习 可观察性和监控系统 基于Kubernetes选主及应用 《许式伟的架构课》笔记 Kubernetes webhook 发布平台系统设计 k8s水平扩缩容 Scheduler如何给Node打分 Scheduler扩展 controller 组件介绍 openkruise cloneset学习 controller-runtime源码分析 pv与pvc实现 csi学习 client-go源码分析 kubelet 组件分析 调度实践 Pod是如何被创建出来的? 《软件设计之美》笔记 mecha 架构学习 Kubernetes events学习及应用 CRI 资源调度泛谈 业务系统设计原则 grpc学习 元编程 以应用为中心 istio学习 下一代微服务Service Mesh 《实现领域驱动设计》笔记 serverless 泛谈 概率论 《架构整洁之道》笔记 处理复杂性 那些年追过的并发 服务器端编程 网络通信协议 架构大杂烩 如何学习架构 《反应式设计模式》笔记 项目的演化特点 反应式架构摸索 函数式编程的设计模式 服务化 ddd反模式——CRUD的败笔 研发效能平台 重新看面向对象设计 业务系统设计的一些体会 函数式编程 《左耳听风》笔记 业务程序猿眼中的微服务管理 DDD实践——CQRS 项目隔离——案例研究 《编程的本质》笔记 系统故障排查汇总及教训 平台支持类系统的几个点 代码腾挪的艺术 abtest 系统设计汇总 《从0开始学架构》笔记 初级权限系统设计 领域驱动理念入门 现有上传协议分析 移动网络下的文件上传要注意的几个问题 推送系统的几个基本问题 用户登陆 做配置中心要想好的几个基本问题 不同层面的异步 分层那些事儿 性能问题分析 当我在说模板引擎的时候,我在说什么 用户认证问题 资源的分配与回收——池 消息/任务队列


Spark Stream 学习

2018年05月27日

前言

借用前文 Spark 泛谈 的小结:java8 Stream 和 rdd 本质都是 Builder 模式。在build 模式中,调用setxxx 都是铺垫,最后build()(类似于spark rdd的行动操作)才是来真的。但Builder 模式 + 更高维度的抽象,加上函数式编程(setxxx 时可传入方法)的助力,便真让人眼前一亮了。

spark 全家桶

基于spark 通常从以下几个方向进行了扩展

  1. 支持更丰富的数据源,比如spark sql 支持半结构化/结构化的数据源,spark stream 支持流式数据
  2. 提供 针对性的 rdd 抽象
  3. 针对特定数据,提供相应的便捷接口
  context rdd
spark core SparkContext rdd
spark sql HiveContext/SqlContext SchemaRDD/DataFrame
spark stream SreamingContext DStream

spark sql

spark 常规处理的是 非结构化文件,比如文本文件,RDD 的value 可以是任意类型。Spark SQL是一个支持结构化/半结构化数据处理的Spark模块。

多了结构化信息,带来以下不同:

  1. spark sql 便推出了SchemaRDD/DataFrame抽象,提供更多的对外接口

    1. df.filter(df['type'] == 'basic').select('name', 'type').show(),df 作为SchemaRDD/DataFrame, 拥有df['type'] == 'basic'、select 这些接口
    2. df.registerTempTable('courses'); coursesRDD = sqlContext.sql("SELECT name FROM courses WHERE length >= 5 and length <= 10") 在连接查询等场景下,相对第一种方式,sql 查询表述起来更简洁
  2. 因为知道 每个列的类型信息,比如spark sql 使用 列式存储格式 在内存中缓存rdd数据。
  3. spark sql 背靠半结构化/结构化 文件 数据源,作为jdbc 服务器,对外提供sql 查询

spark stream

Spark 实战,第 1 部分 使用 Scala 语言开发 Spark 应用程序

相关概念

spark stream 是微批处理。

比如图 4 中的数据流就被分割成了 5 个时间窗口,每个窗口的长度假设是 5 分钟,这意味着每积攒够 5 分钟的数据,就会把缓存在内存中的这 5 分钟数据进行一次批处理。除了上面例子中的固定窗口以外,Flink 还提供了多种不同的窗口类型,滑动窗口(Sliding Window)也是我们经常会用到的。滑动窗口的特点是在两个窗口之间留有重叠的部分,在移动窗口的时候,不是移动 window size 这个长度,而是移动 window slide 这个长度,window slide 的长度要小于 window size。因此,窗口内部的数据不仅包含了数据流中新进入的 window slide 长度的数据,还包含了上一个窗口的老数据,这部分数据的长度是 window size-window slide。那滑动窗口这种方式有什么用呢?它最典型的用处就是做一些数据的 JOIN 操作。比如我们往往需要通过 JOIN 连接一个物品的曝光数据和点击数据,以此来计算 CTR,但是你要知道,曝光数据肯定是在点击数据之前到达 的。

  1. 推出了DStream(discretized stream) 抽象. DStream 描述了

    • 无状态操作:每个rdd 要做哪些转化
    • 有状态操作:一批rdd(一个窗口) 要做哪些合并
    • 其它:一个Dtream转化为另一个特定的DStream
  2. 驱动程序 按照 设定的时间间隔,从输入源收集数据并保存为rdd,按照DStream 设定的“执行计划” 读取、处理和输出

实现原理

流式处理 意味着项目 都是long-live,而spark 数据 大量缓存中内存中,因此spark stream 引入了checkpoint 机制。

Executor 中不仅运行 job 的task(计算rdd.map(f1).fitler(f2)),还可以运行“接收器”。是不是可以这样讲?在分布式部署模式下, 驱动器代码 负责调度 Schedule,一般不负责直接 参与到 job中(从各种数据源读取文件、处理、写数据到文件)

流处理平台是对数据流进行直接处理,它没有办法进行长时间段的历史数据的全量处理,这就让流处理平台无法应用在历史特征的提取,模型的训练样本生成这样非常重要的领域。比如,我们在流处理中可以很方便地计算出点击量、曝光量这类方便累计的指标,但如果遇到比较复杂的特征,像是用户过去一个月的平均访问时长,用户观看视频的进度百分比等等,这些指标就很难在流处理中计算得到了。这是因为计算这类特征所需的数据时间跨度大,计算复杂,流处理难以实现。

spark stream 和storm

JStorm概叙 & 应用场景 中有一句话:

  • 从应用的角度,JStorm应用是一种遵守某种编程规范的分布式应用。
  • 从系统角度, JStorm是一套类似MapReduce的调度系统。
  • 从数据的角度,JStorm是一套基于流水线的消息处理机制。

如果用这个 描述结构 去描述spark 或 spark stream,以分布式应用系统的高度来归纳整理(分布式应用系统共同点、不同点、常见套路等),参见分布式系统小结, 或许会比较有感觉。

spark streaming 使用“微批次”的架构,把流式计算 当做一系列的小规模 批处理来对待。

  • spark,数据流进来,根据时间分隔成一小段,一小段做处理1、处理2、处理3。每小段的处理 还是按 spark rdd 的套路来。
  • storm,一个消息进来,一个消息做处理1、处理2、处理3

rdd 采用函数式的方式 编写处理逻辑,spark scheduler 分发这个逻辑到各个节点。不准确的说,如果不涉及到分区操作的话,估计一个rdd 对应的工作(也就是数据的所有处理) 都是在一个节点完成的。

storm 其实更像 mapreduce(storm 作者讲述storm历史的时候,直接说storm 是 the hadoop of realtime),其提供的 topology= spout+ bolt,不准确的说,一个spout和 bolt 都对应一个节点,storm 负责将它们串联起来。 这也是storm 为什么 会用到 消息队列的 重要原因。 虽然spark 也涉及到 数据的序列化及节点间 传输

spark stream 和 flink(未完成)

小结

笔者最近为了一个系统的重构,连续粗略学习了spark、stream等,对分布式系统有以下几点感觉:

  1. 我们平时做的 http request ==> business server ==> rpc server ==> db/redis 等也是分布式系统,也实现了跨主机进程之间的协作,但是和spark/storm 等有所不同

    • hadoop 和 spark 将分布式系统 抽出了 资源管理 + 计算调度 二维结构。一般业务开发用不上,或者说是高度耦合的。
    • 写hadoop 程序,你得写mapper/reducer ,再写一个main 方法整合 mapper/reducer 。spark 提供了 rdd 抽象,所以main 方法的逻辑就是 读取输入为rdd,处理rdd,rdd 输出。
    • 跨主机的数据交流,spark 直接跨主机内存到内存(所以spark 有数据序列化问题),mapreduce 是 hdfs(也就是跨主机磁盘到磁盘),业务系统是rpc/http/jdbc等
    • 跨主机的进程协作,粗略的说,spark 和 mapreduce 的Scheduler 和 Executor 进程 通过zk 沟通,并不直接沟通。http request ==> business server ==> rpc server ==> db/redis 通过rpc 直接沟通
    • 旁路系统,这个spark 和业务系统 都没有。当然,日志报警系统等算是一个旁路系统,只是我们在讲某一个业务架构时,通常不谈日志报警系统等。
    • 容错。spark hadoop 都有Scheduler,对失败的任务进行重算等。业务系统就是某个节点挂了就挂了
    • 部署方式,spark/hadoop 是直接部署main 程序,而http request ==> business server ==> rpc server ==> db/redis 则是各节点 分别启动
  2. 既然大家都是分布式系统,那么针对特定的业务,我们可以汲取spark 等设计的一些特点和经验,优化http request ==> business server ==> rpc server ==> db/redis 一撸到底的简单设计。但没有必要觉得spark/storm 有什么了不起,很多性能瓶颈,并不是spark/storm 能解决的。

学习知识要有体系,程序的生命力