高效的reduceByKeyAndWindow算子

总的来说SparkStreaming提供这个方法主要是出于效率考虑。 比如说我要每10秒计算一下前15秒的内容，（每个batch 5秒）， 可以想象每十秒计算出来的结果和前一次计算的结果其实中间有5秒的时间值是重复的。 

那么就是通过如下步骤 
1. 存储上一个window的reduce值 
2.计算出上一个window的begin 时间到 重复段的开始时间的reduce 值 =》 oldRDD 
3.重复时间段的值结束时间到当前window的结束时间的值 =》 newRDD 
4.重复时间段的值等于上一个window的值减去oldRDD 

这样就不需要去计算每个batch的值， 只需加加减减就能得到新的reduce出来的值。 

从代码上面来看， 入口为： 
reduceByKeyAndWindow(_+_, _-_, Duration, Duration) 

一步一步跟踪进去， 可以看到实际的业务类是在ReducedWindowedDStream 这个类里面： 
代码理解就直接拿这个类来看了： 主要功能是在compute里面实现， 通过下面代码回调mergeValues 来计算最后的返回值 

Scala代码  

1. val mergedValuesRDD = cogroupedRDD.asInstanceOf[RDD[(K, Array[Iterable[V]])]]  
2.       .mapValues(mergeValues)  

先计算oldRDD 和newRDD 

//currentWindow  就是以当前时间回退一个window的时间再向前一个batch 到当前时间的窗口 代码里面有一个图很有用： 
我们要计算的new rdd就是15秒-25秒期间的值， oldRDD就是0秒到10秒的值， previous window的值是1秒 - 15秒的值 

然后最终结果是 重复区间（previous window的值 - oldRDD的值） =》 也就是中间重复部分， 再加上newRDD的值， 这样的话得到的结果就是10秒到25秒这个时间区间的值 

Scala代码  

1. // 0秒                  10秒     15秒                25秒  
2. //  _____________________________  
3. // |  previous window   _________|___________________  
4. // |___________________|       current window        |  --------------> Time  
5. //                     |_____________________________|  
6. //  
7. // |________ _________|          |________ _________|  
8. //          |                             |  
9. //          V                             V  
10. //       old RDDs                     new RDDs  
11. // 
    

Scala代码  

1. val currentTime = validTime  
2.   
3.   
4.     val currentWindow = new Interval(currentTime - windowDuration + parent.slideDuration,  
5.       currentTime)  
6.     val previousWindow = currentWindow - slideDuration  
7.   
8.    val oldRDDs =  
9.       reducedStream.slice(previousWindow.beginTime, currentWindow.beginTime - parent.slideDuration)  
10.     logDebug("# old RDDs = " + oldRDDs.size)  
11.   
12.     // Get the RDDs of the reduced values in "new time steps"  
13.     val newRDDs =  
14.       reducedStream.slice(previousWindow.endTime + parent.slideDuration, currentWindow.endTime)  
15.     logDebug("# new RDDs = " + newRDDs.size) 
    

得到newRDD和oldRDD后就要拿到previous windows的值： 如果第一次没有previous window那么建一个空RDD， 为最后计算结果时 arrayOfValues(0).isEmpty 铺垫 

Java代码  

1. val previousWindowRDD =  
2.       getOrCompute(previousWindow.endTime).getOrElse(ssc.sc.makeRDD(Seq[(K, V)]())) 
   

然后把所有的值放到一个数组里面 0是previouswindow， 1到oldRDD.size是oldrdd， oldRDD.size到newRDD.size是newrdd 

Scala代码  

1. val allRDDs = new ArrayBuffer[RDD[(K, V)]]() += previousWindowRDD ++= oldRDDs ++= newRDDs 
   

将每个RDD的(K,V) 转变成(K, Iterator(V))的形式： 

比如说有两个值(K,a) 和(K,b) 那么coGroup后就会成为(K, Iterator(a,b))这种形式 

Java代码  

1. val cogroupedRDD = new CoGroupedRDD[K](allRDDs.toSeq.asInstanceOf[Seq[RDD[(K, _)]]],  
2.      partitioner) 
   

进行最后的计算：

Scala代码  

1.  val mergeValues = (arrayOfValues: Array[Iterable[V]]) => {  
2. ...  
3.   
4. } 
   

首先判断RDD的value数量是不是正确 previous window因为已经计算过所以只有一组值 
正确值为 1 （previous window value） + numOldValues (oldRDD 每个RDD的value) + numNewValues (newRDD 每个RDD的value) 

Java代码  

1. if (arrayOfValues.size != 1 + numOldValues + numNewValues) {  
2.   throw new Exception("Unexpected number of sequences of reduced values")  
3. } 
   

接下来取出oldRDD的值和newRDD的值： 

Scala代码  

1. val oldValues = (1 to numOldValues).map(i => arrayOfValues(i)).filter(!_.isEmpty).map(_.head)  
2. val newValues =  
3.        (1 to numNewValues).map(i => arrayOfValues(numOldValues + i)).filter(!_.isEmpty).map(_.head) 
   

如果previous window是空的， 那么就直接计算newRDD的值（这也是为什么每次计算时候第一次打出来的值都比较少， 因为他只有newRDD部分没有重合部分， 也就是只有10秒的内容而不是15秒） 

Scala代码  

1. if (arrayOfValues(0).isEmpty) {  
2.        // If previous window's reduce value does not exist, then at least new values should exist  
3.        if (newValues.isEmpty) {  
4.          throw new Exception("Neither previous window has value for key, nor new values found. " +  
5.            "Are you sure your key class hashes consistently?")  
6.        }  
7.        // Reduce the new values  
8.        newValues.reduce(reduceF) // return  
9.      } 
   

如果有previous window的值， 那么先存到tempValue， 如果有oldRDD那么减去oldRDD， 如果有newRDD (一般都有) 那么加上newRDD的值 这样就组成上图里面10到25秒区间的值了 

Scala代码  

1. else {  
2.         // Get the previous window's reduced value  
3.         var tempValue = arrayOfValues(0).head  
4.         // If old values exists, then inverse reduce then from previous value  
5.         if (!oldValues.isEmpty) {  
6.           tempValue = invReduceF(tempValue, oldValues.reduce(reduceF))  
7.         }  
8.         // If new values exists, then reduce them with previous value  
9.         if (!newValues.isEmpty) {  
10.           tempValue = reduceF(tempValue, newValues.reduce(reduceF))  
11.         }  
12.         tempValue // return  
13.       } 
    

最后如果有filter的function的话就filter一下： 

Scala代码  

1. if (filterFunc.isDefined) {  
2.       Some(mergedValuesRDD.filter(filterFunc.get))  
3.     } else {  
4.       Some(mergedValuesRDD)  
5.     } 
   

这样就返回了新window内的值

窗口函数的优化：
 * reduceByKeyAndWindow(func, invFunc, windowLength, slideInterval, [numTasks]):
 * 窗口长度（windowLength）：窗口的持续时间
 * 滑动间隔（slideInterval）：执行窗口操作的间隔
 * 这是比上一个reduceByKeyAndWindow()更有效的版本，
 * 根据上一个窗口的reduce value来增量地计算每个窗口的当前的reduce value值，
 * 这是通过处理进入滑动窗口的新数据，以及“可逆的处理”离开窗口的旧数据来完成的。
 * 一个例子是当窗口滑动时，“添加”和“减少”key的数量。
 * 然而，它仅适用于“可逆的reduce 函数”，即具有相应“可逆的reduce”功能的reduce函数（作为参数invFunc）。
 * 像在reduceByKeyAndWindow中，reduce task的数量可以通过可选参数进行配置。
 * 请注意，使用此操作必须启用 checkpointing 。即：优化的窗口函数需要checkpoint。
 * 以上的意思就是 传一个参数的reduceByKeyAndWindow每次计算包含多个批次，每次都会从新计算。造成效率比较低，因为存在重复计算数据的情况
 * 传二个参数的reduceByKeyAndWindow 是基于上次计算过的结果，计算每次key的结果，可以画图示意。
 

public class Operate_reduceByKeyAndWindow_2 {
public static void main(String[] args) {
SparkConf conf = new SparkConf().setMaster("local").setAppName("Operate_countByWindow");
JavaStreamingContext jsc = new JavaStreamingContext(conf,Durations.seconds(5));
jsc.checkpoint("checkpoint");
JavaDStream<String> textFileStream = jsc.textFileStream("data");
/**
* 首先将textFileStream转换为tuple格式统计word字数
*/
JavaPairDStream<String, Integer> mapToPair = textFileStream.flatMap(new FlatMapFunction<String, String>() {
private static final long serialVersionUID = 1L;
public Iterable<String> call(String t) throws Exception {
return Arrays.asList(t.split(" "));
}
}).mapToPair(new PairFunction<String, String, Integer>() {
private static final long serialVersionUID = 1L;
public Tuple2<String, Integer> call(String t) throws Exception {
return new Tuple2<String, Integer>(t.trim(), 1);
}
});

JavaPairDStream<String, Integer> reduceByKeyAndWindow = mapToPair.reduceByKeyAndWindow(new Function2<Integer, Integer, Integer>() {
private static final long serialVersionUID = 1L;
/**
* 这里的v1是指上一个所有的状态的key的value值（如果有出去的某一批次值，v1就是下面第二个函数返回的值），v2为本次的读取进来的值
*/
public Integer call(Integer v1, Integer v2) throws Exception {
System.out.println("***********v1*************"+v1);
System.out.println("***********v2*************"+v2);
return v1+v2;
}
}, new Function2<Integer,Integer,Integer>(){

private static final long serialVersionUID = 1L;
/**
* 这里的这个第二个参数的Function2是在windowLength时间后才开始执行，v1是上面一个函数刚刚加上最近读取过来的key的value值的最新值,
* v2是窗口滑动后，滑动间隔中出去的那一批值
* 返回的值又是上面函数的v1 的输入值
*/
public Integer call(Integer v1, Integer v2) throws Exception {

System.out.println("^^^^^^^^^^^v1^^^^^^^^^^^^^"+v1);
System.out.println("^^^^^^^^^^^v2^^^^^^^^^^^^^"+v2);

// return v1-v2-1;//每次输出结果递减1 
return v1-v2;
}

}, Durations.seconds(20), Durations.seconds(10));
reduceByKeyAndWindow.print();

jsc.start();
jsc.awaitTermination();
jsc.close();
}
}