解决spark streaming 聚合算子(shuffle)并行度200及缓存buffer不断增大的问题

• 问题现象：

spark流式计算中做聚合需要使用 group by算子，我在使用过程中遇到一些问题，通过stage图可以看出2个问题：

1. 聚合算子每个批次shuffle write的数据量直线上升，这样会导致算子得效率逐渐降低，甚至会导致oom

2.聚合算子(shuffle)的并行度是200，即使设置spark.sql.shuffle.partitions=10也不生效。200并行度会增加调度压力，并且会把并行度传递到下游(如果不做repartition)。我的业务中会把数据写入iceberg中，发现每个批次都会产生大量的小文件，这对hive metastore产生了巨大压力！

•  问题定位：

1. 通过现象可以看出，即使聚合算子的输入只有1M，它的输出也有63M，并且不断递增。因此可以推断是算子中有大量的状态数据，导致每个批次数据的计算既有新批次数据，也有大量的状态数据。通过spark structured streaming官方文档可以发现原因，当Output mode使用Complete的时候，聚合函数不会丢弃过去的聚合状态，因此会保留所有数据到输出。

 2. 我们可以看到聚合算子每次的shuffle read的数据量都有几十M，可以推断是spark的自适应框架自动将该算子的并行度设成了200。

• 问题解决：

1. 很显然，只需要将output mode改成append或update即可，使用哪一个可以根据自身业务要求选择，我使用了append模式。在这期间可能会遇到另一个奇怪的问题，虽然指定了watermark，但是会出现报错：

org.apache.spark.sql.AnalysisException: Append output mode not supported when there are streaming aggregations on streaming DataFrames/DataSets without watermark;;

Dataset<Row> targetDf = df
	.withWatermark("event_ts", "1 minute")
	.groupBy(functions.window(df.col("event_ts"), "1 minutes", "1 minutes", "0 second"), df.col("id"))

 这里是因为withWatermark会产生一个新的流Dataset<Row>，并将watermark加入到这个数据流中，如果聚合算子使用df.col()，则对应的列中是没有watermark的，因此会由上面的报错。改证候的代码如下：

Dataset<Row> targetDf = df
	.withWatermark("event_ts", "1 minute")
	.groupBy(functions.window(functions.col("event_ts"), "1 minutes", "1 minutes", "0 second"), functions.col("id"))

2. 使用Append模式后，shuffle read的数据量降低到1M，spark.sql.shuffle.partitions=10开始生效

• 结果展示

改正后重新运行，可以看到无论是聚合算子的并行度，还是shuffle write的数据量都已经和预期一致！