CDH-6.3.2内置spark-2.4.0的BUG

1. 背景

公司最近在新建集群，全部采用开源的大数据框架，并且将之前使用的阿里云的所有服务进行下线，其中就涉及到了旧任务的迁移。

2. 任务

2.1. 简述

我接手到一个之前的 spark 任务，是读取阿里 LogStore 数据，然后使用 spark streaming，将接收到的 LogStore 数据注册为表，之后运行 spark sql 进行分批处理，每 2 分钟一批，最后写入时序数据库。

2.2. 处理逻辑

spark sql 首先计算接收到的 2 分钟数据，对维度字段进行 group by,指标字段进行 sum、count 之类的聚合操作；然后将这两分钟的结果和之前从当天 0 点开始累积到上个 2 分钟的结果进行 union all，最后再次进行 group by 以及 sum、count 操作，最后将结果写出。

整体需求是，计算当天 0 点到每个 2 分钟的累加结果，类似于 flink sql 中的渐进式（或叫累计）窗口。

3. 改造方案

去掉从阿里的 LogStore 接收数据，而是从 kafka 接收数据，后面所有的处理逻辑都一样。

4. 出现的问题

将改造、重构后的代码部署到新建的大数据集群上运行，结果发现，计算的结果总是比之前的环境中大一些。

然后我们就开始进行代码级别的排查，一直以为是代码哪儿写错了。之前的代码接收 LogStore 的数据，而且是只接收了一个流的数据，但是改造之后，需要接收三个 kafka 主题的数据，在 spark 代码中，就变成了三个 InputDStream，然后分别将三个流注册为三张不同的表，最后再进行一个大的 sql 处理，示例代码见下面。

case class Table1(@BeanProperty var goods1: String, @BeanProperty var price1: Int) extends Serializable
case class Table2(@BeanProperty var goods2: String, @BeanProperty var price2: Int) extends Serializable
case class Table3(@BeanProperty var goods3: String, @BeanProperty var price3: Int) extends Serializable

object Stream extends Serializable {def main(args: Array[String]): Unit = {val masterUri = sys.props.getOrElse("spark.master", "local[4]")// 获取 spark 环境val conf = new SparkConf()val spark: SparkSession = SparkSession.builder().config(conf).master(masterUri).getOrCreate()val sparkContext = spark.sparkContextval ssc: StreamingContext = new StreamingContext(sparkContext, Seconds(120))val sqlContext = spark.sqlContext// ------------------------------------------------------------------------------------------------------------------------------------------------------------val kafkaParams: mutable.Map[String, Object] = mutable.Map[String, Object](ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG -> "kafka01:9092",ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG -> classOf[StringDeserializer].getCanonicalName,ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG -> classOf[StringDeserializer].getCanonicalName,ConsumerConfig.GROUP_ID_CONFIG -> "test-1")// 保存 offset，最后手动提交val offsetRangesList = mutable.ListBuffer[Array[OffsetRange]]()val topic1 = Array("topic1")val tableName1 = "table1"val inputDS1: InputDStream[ConsumerRecord[String, String]] = KafkaUtils.createDirectStream[String, String](ssc,LocationStrategies.PreferConsistent,ConsumerStrategies.Subscribe[String, String](topic1, kafkaParams))inputDS1.foreachRDD(rdd => {offsetRangesList += rdd.asInstanceOf[HasOffsetRanges].offsetRanges})inputDS1.map(_.value()).map(x => JSONUtil.toBean(x, classOf[Table1])).foreachRDD((rdd: RDD[Table1]) => {spark.createDataFrame(rdd).createOrReplaceTempView(tableName1)})val topic2 = Array("topic2")val tableName2 = "table2"val inputDS2: InputDStream[ConsumerRecord[String, String]] = KafkaUtils.createDirectStream[String, String](ssc,LocationStrategies.PreferConsistent,ConsumerStrategies.Subscribe[String, String](topic2, kafkaParams))inputDS2.foreachRDD(rdd => {offsetRangesList += rdd.asInstanceOf[HasOffsetRanges].offsetRanges})inputDS2.map(_.value()).map(x => JSONUtil.toBean(x, classOf[Table2])).foreachRDD((rdd: RDD[Table2]) => {spark.createDataFrame(rdd).createOrReplaceTempView(tableName2)})val topic3 = Array("topic3")val tableName3 = "table3"val inputDS3: InputDStream[ConsumerRecord[String, String]] = KafkaUtils.createDirectStream[String, String](ssc,LocationStrategies.PreferConsistent,ConsumerStrategies.Subscribe[String, String](topic3, kafkaParams))inputDS3.foreachRDD(rdd => {offsetRangesList += rdd.asInstanceOf[HasOffsetRanges].offsetRanges})// 所有计算和结果写出都在下面维护inputDS3.map(_.value()).map(x => JSONUtil.toBean(x, classOf[Table3])).foreachRDD(foreachFunc = (rdd: RDD[Table3]) => {spark.createDataFrame(rdd).createOrReplaceTempView(tableName3)// 从 hdfs 读取上一批次的计算结果val lastDataDF: DataFrame = sqlContext.read.format("csv").option("header", "true").load("hdfs:///spark/latest-data")lastDataDF.createOrReplaceTempView("last_result")// 计算最新的结果val resultDF: DataFrame = spark.sql("真正要执行的 sql 语句")// 将结算结果进行输出，这里简单调用 show ，只是为了演示resultDF.show(10)// 将本批次结果写入 hdfs，供下次计算前初始化使用resultDF.write.option("header", "true").mode(SaveMode.Overwrite).csv("hdfs:///spark/latest-data")// 手动提交 offsetfor (offsetRanges <- offsetRangesList) {inputDS3.asInstanceOf[CanCommitOffsets].commitAsync(offsetRanges)}offsetRangesList.clear()// 清理掉内存中的结果数据resultDF.unpersist()})ssc.start()ssc.awaitTermination()}}

我的做法是，将三个主题对应的流分别处理，然后各自注册为表，并且在最后一个主题的 foreachRdd 函数中进行 sql 的执行和结果的输出。

注意第三个主题对应流里面的处理流程：

1. 接收本批次数据，先从 hdfs 对应路径获取上批次结果，注册名为 last_result 的表。
2. 执行真正的 sql 计算逻辑。
3. 将结果写出，为了代码演示，只是简单的使用 show() 函数进行输出。
4. 将本批次的计算结果保存到 hdfs，然后手动提交 offset。

由于我的逻辑中，每次处理，都需要将本批次的计算结果和 0 点到上一批次的计算进行合并处理，所以每次都会将本批次的计算结果写出到 hdfs，此时就出现了问题，最后算出来的每批次结果值都比正确结果多一些。

然后我们就把每批次的结果值，不但输出到 hdfs 进行保存，而且还把他们输出到 mysql，查看其详细的计算结果，看到底是哪一步出了问题。

通过观察 mysql 中每批次的详细计算结果，我们发现，同一个商品，在一个批次计算中，居然出现了相同时间的两条计算结果数据，但理论上应该是只有一条才对。此时我们才发现了问题所在：由于 spark 框架计算由于，某一批次的计算结果中，对 group by 中出现的字段，并没有做到真正的唯一聚合，而是出现了多条。而且我是把每批次的计算结果都写入到 hdfs，也没有对结果数据进行去重，所以下批次数据计算时，通过上批次写入到 hdfs 的结果进行 last_result 表的初始化后，last_result 表中对于同一个维度组合，就会出现多条数据，本批次聚合计算完之后，最终的结果值就多了。而且，这种情况只出现在设置 spark 任务为多并发时才会出现，如果提交时只给一个 executor，并且只给 1 核 CPU，就不会出现问题。

最后手动部署了 apache spark-2.3.2，替换掉之前使用的 CDH-6.3.2 内置的 spark-2.4.0，重新运行任务，就没问题了。

5. 总结

CDH-6.3.2 中内置的 spark-2.4.0 有 bug，在实时数据处理上，如果是多并发处理，遇到 group by 时，对于同一个维度组合，可能会出现多条数据。

至于 hive on spark 和 spark on hive 的方式使用 CDH 内置的这个版本的 spark 会不会出现问题，目前还没去做验证，不过我们还是决定重新部署线上使用的 spark，替换为 apache spark 的稳定版本。