描述
我们在 Scala 中有一个 Spark Streaming 1.5.2 应用程序，它从 Kinesis Stream 读取 JSON 事件，进行一些转换/聚合并将结果写入不同的 S3 前缀。当前批处理间隔为 60 秒。我们每秒有 3000-7000 个事件。我们使用检查点来保护我们免于丢失聚合。
它已经运行了一段时间，从异常甚至集群重启中恢复。我们最近重新编译了 Spark Streaming 1.6.0 的代码，只更改了build.sbt文件中的库依赖项。在 Spark 1.6.0 集群中运行代码几个小时后，我们注意到以下内容：
- “输入速率”和“处理时间”波动性在 1.6.0 中大幅增加（见下面的截图）。
- 每隔几个小时，在写入记录时会抛出一个“异常：BlockAdditionEvent ... 到 WriteAheadLog。java.util.concurrent.TimeoutException: Futures timeouts after [5000 milliseconds]” 异常（参见下面的完整堆栈跟踪）与特定批次（分钟）下降到 0 个事件/秒一致。
在做了一些挖掘之后，我认为第二个问题看起来与这个Pull Request有关。PR 的最初目标：“当使用 S3 作为 WAL 的目录时，写入时间太长。当多个接收器向 ReceiverTracker 发送 AddBlock 事件时，驱动程序很容易出现瓶颈。此 PR 在 ReceivedBlockTracker 中添加事件批处理，以便接收者不会被驱动程序阻塞太久。”</p>
我们在 Spark 1.5.2 的 S3 中进行检查点，没有性能/可靠性问题。我们已经在 S3 和本地 NAS 中测试了 Spark 1.6.0 中的检查点，在这两种情况下我们都收到了这个异常。看起来当检查点一个批次的时间超过 5 秒时，就会出现这个异常，我们已经检查过该批次的事件是否永远丢失。
问题
Spark Streaming 1.6.0 中的“输入速率”和“处理时间”波动是否会增加？是否有任何已知的改进方法？
除了这两个之外，您知道任何解决方法吗？：
1) 保证 checkpointing sink 写入所有文件的时间少于 5 秒。根据我的经验，你不能保证使用 S3，即使是小批量。对于本地 NAS，这取决于谁负责基础设施（云提供商很难）。
2) 增加 spark.streaming.driver.writeAheadLog.batchingTimeout 属性值。
您是否期望在所描述的场景中丢失任何事件？我认为如果批量检查点失败，则不会增加分片/接收器序列号，并且会在稍后重试。
Spark 1.5.2 统计 - 截图
Spark 1.6.0 统计 - 截图
全栈跟踪
16/01/19 03:25:03 WARN ReceivedBlockTracker: Exception thrown while writing record: BlockAdditionEvent(ReceivedBlockInfo(0,Some(3521),Some(SequenceNumberRanges(SequenceNumberRange(StreamEventsPRD,shardId-000000000003,49558087746891612304997255299934807015508295035511636018,49558087746891612304997255303224294170679701088606617650), SequenceNumberRange(StreamEventsPRD,shardId-000000000004,49558087949939897337618579003482122196174788079896232002,49558087949939897337618579006984380295598368799020023874), SequenceNumberRange(StreamEventsPRD,shardId-000000000001,49558087735072217349776025034858012188384702720257294354,49558087735072217349776025038332464993957147037082320914), SequenceNumberRange(StreamEventsPRD,shardId-000000000009,49558088270111696152922722880993488801473174525649617042,49558088270111696152922722884455852348849472550727581842), SequenceNumberRange(StreamEventsPRD,shardId-000000000000,49558087841379869711171505550483827793283335010434154498,49558087841379869711171505554030816148032657077741551618), SequenceNumberRange(StreamEventsPRD,shardId-000000000002,49558087853556076589569225785774419228345486684446523426,49558087853556076589569225789389107428993227916817989666))),BlockManagerBasedStoreResult(input-0-1453142312126,Some(3521)))) to the WriteAheadLog.
java.util.concurrent.TimeoutException: Futures timed out after [5000 milliseconds]
at scala.concurrent.impl.Promise$DefaultPromise.ready(Promise.scala:219)
at scala.concurrent.impl.Promise$DefaultPromise.result(Promise.scala:223)
at scala.concurrent.Await$$anonfun$result$1.apply(package.scala:107)
at scala.concurrent.BlockContext$DefaultBlockContext$.blockOn(BlockContext.scala:53)
at scala.concurrent.Await$.result(package.scala:107)
at org.apache.spark.streaming.util.BatchedWriteAheadLog.write(BatchedWriteAheadLog.scala:81)
at org.apache.spark.streaming.scheduler.ReceivedBlockTracker.writeToLog(ReceivedBlockTracker.scala:232)
at org.apache.spark.streaming.scheduler.ReceivedBlockTracker.addBlock(ReceivedBlockTracker.scala:87)
at org.apache.spark.streaming.scheduler.ReceiverTracker.org$apache$spark$streaming$scheduler$ReceiverTracker$$addBlock(ReceiverTracker.scala:321)
at org.apache.spark.streaming.scheduler.ReceiverTracker$ReceiverTrackerEndpoint$$anonfun$receiveAndReply$1$$anon$1$$anonfun$run$1.apply$mcV$sp(ReceiverTracker.scala:500)
at org.apache.spark.util.Utils$.tryLogNonFatalError(Utils.scala:1230)
at org.apache.spark.streaming.scheduler.ReceiverTracker$ReceiverTrackerEndpoint$$anonfun$receiveAndReply$1$$anon$1.run(ReceiverTracker.scala:498)
at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142)
at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617)
at java.lang.Thread.run(Thread.java:745)
源代码提取
...
// Function to create a new StreamingContext and set it up
def setupContext(): StreamingContext = {
...
// Create a StreamingContext
val ssc = new StreamingContext(sc, Seconds(batchIntervalSeconds))
// Create a Kinesis DStream
val data = KinesisUtils.createStream(ssc,
kinesisAppName, kinesisStreamName,
kinesisEndpointUrl, RegionUtils.getRegionByEndpoint(kinesisEndpointUrl).getName(),
InitialPositionInStream.LATEST, Seconds(kinesisCheckpointIntervalSeconds),
StorageLevel.MEMORY_AND_DISK_SER_2, awsAccessKeyId, awsSecretKey)
...
ssc.checkpoint(checkpointDir)
ssc
}
// Get or create a streaming context.
val ssc = StreamingContext.getActiveOrCreate(checkpointDir, setupContext)
ssc.start()
ssc.awaitTermination()