高效的reduceByKeyAndWindow算子-优快云博客

本文链接：https://blog.youkuaiyun.com/chen20111/article/details/80849963

本文介绍Spark Streaming中reduceByKeyAndWindow方法的优化机制，通过避免重复计算提高效率。该方法利用之前窗口的计算结果，结合新旧数据进行增量计算。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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  
val mergedValuesRDD = cogroupedRDD.asInstanceOf[RDD[(K, Array[Iterable[V]])]]  
      .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  
// 0秒                  10秒     15秒                25秒  
//  _____________________________  
// |  previous window   _________|___________________  
// |___________________|       current window        |  --------------> Time  
//                     |_____________________________|  
//  
// |________ _________|          |________ _________|  
//          |                             |  
//          V                             V  
//       old RDDs                     new RDDs  
//  

Scala代码  
val currentTime = validTime  
  
  
    val currentWindow = new Interval(currentTime - windowDuration + parent.slideDuration,  
      currentTime)  
    val previousWindow = currentWindow - slideDuration  
  
   val oldRDDs =  
      reducedStream.slice(previousWindow.beginTime, currentWindow.beginTime - parent.slideDuration)  
    logDebug("# old RDDs = " + oldRDDs.size)  
  
    // Get the RDDs of the reduced values in "new time steps"  
    val newRDDs =  
      reducedStream.slice(previousWindow.endTime + parent.slideDuration, currentWindow.endTime)  
    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  
val previousWindowRDD =  
      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  
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  
val cogroupedRDD = new CoGroupedRDD[K](allRDDs.toSeq.asInstanceOf[Seq[RDD[(K, _)]]],  
     partitioner)  

进行最后的计算：

Scala代码  
 val mergeValues = (arrayOfValues: Array[Iterable[V]]) => {  
...  
  
}  

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

接下来取出oldRDD的值和newRDD的值：

Scala代码  
val oldValues = (1 to numOldValues).map(i => arrayOfValues(i)).filter(!_.isEmpty).map(_.head)  
val newValues =  
       (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  
if (arrayOfValues(0).isEmpty) {  
       // If previous window's reduce value does not exist, then at least new values should exist  
       if (newValues.isEmpty) {  
         throw new Exception("Neither previous window has value for key, nor new values found. " +  
           "Are you sure your key class hashes consistently?")  
       }  
       // Reduce the new values  
       newValues.reduce(reduceF) // return  
     }  

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  
else {  
        // Get the previous window's reduced value  
        var tempValue = arrayOfValues(0).head  
        // If old values exists, then inverse reduce then from previous value  
        if (!oldValues.isEmpty) {  
          tempValue = invReduceF(tempValue, oldValues.reduce(reduceF))  
        }  
        // If new values exists, then reduce them with previous value  
        if (!newValues.isEmpty) {  
          tempValue = reduceF(tempValue, newValues.reduce(reduceF))  
        }  
        tempValue // return  
      }  

最后如果有filter的function的话就filter一下：

Scala代码  
if (filterFunc.isDefined) {  
      Some(mergedValuesRDD.filter(filterFunc.get))  
    } else {  
      Some(mergedValuesRDD)  
    }  

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();
}
}