监控结构化流

Question

我有一个运行良好的结构化流设置,但我希望在它运行时监视它.

我已经构建了一个EventCollector

class EventCollector extends StreamingQueryListener{
  override def onQueryStarted(event: QueryStartedEvent): Unit = {
    println("Start")
  }

  override def onQueryProgress(event: QueryProgressEvent): Unit = {
    println(event.queryStatus.prettyJson)
  }

  override def onQueryTerminated(event: QueryTerminatedEvent): Unit = {
    println("Term")
  }

我已经构建了一个EventCollector并将监听器添加到我的spark会话中

val listener = new EventCollector()
spark.streams.addListener(listener)

然后我解除了查询

val query = inputDF.writeStream
  //.format("console")
  .queryName("Stream")
  .foreach(writer)
  .start()

query.awaitTermination()

但是,onQueryProgress永远不会被击中.onQueryStarted确实如此,但我希望以一定的时间间隔获取查询的进度,以监控查询的执行情况.任何人都可以协助吗？

Answer 1

经过对这个主题的大量研究，这就是我发现的......

OnQueryProgress 在查询之间被命中。我不确定这个有意的功能与否，但是当我们从文件流式传输数据时， OnQueryProgress 不会触发。

我发现的一个解决方案是依靠 foreach 编写器接收器并在进程函数中执行我自己的性能分析。不幸的是，我们无法访问有关正在运行的查询的特定信息。或者，我还没有想出如何去做。这是我在沙箱中实现的性能分析：

val writer = new ForeachWriter[rawDataRow] {
    def open(partitionId: Long, version: Long):Boolean = {
        //We end up here in between files
        true
    }
    def process(value: rawDataRow) = {
        counter += 1

        if(counter % 1000 == 0) {
            val currentTime = System.nanoTime()
            val elapsedTime = (currentTime - startTime)/1000000000.0

            println(s"Records Written:  $counter")
            println(s"Time Elapsed: $elapsedTime seconds")
        }
     }
}

另一种获取指标的方法：

另一种获取有关正在运行的查询的信息的方法是点击 spark 提供给我们的 GET 端点。

http://localhost:4040/metrics

或者

http://localhost:4040/api/v1/

文档在这里：http : //spark.apache.org/docs/latest/monitoring.html

2017 年 9 月 2 日更新： 在常规火花流上测试，而不是结构化流

免责声明，这可能不适用于结构化流媒体，我需要设置一个测试台来确认。但是，它确实适用于常规火花流（在此示例中从 Kafka 消费）。

我相信，自从 Spark Streaming 2.2 发布以来，存在新的端点，可以检索有关流性能的更多指标。这可能存在于以前的版本中，我只是错过了它，但我想确保它被记录下来，供其他搜索此信息的人使用。

http://localhost:4040/api/v1/applications/ {applicationIdHere}/streaming/statistics

这是看起来像是在 2.2 中添加的端点（或者它已经存在并且只是添加了文档，我不确定，我还没有检查过）。

无论如何，它为指定的流应用程序添加了这种格式的指标：

{
  "startTime" : "2017-09-13T14:02:28.883GMT",
  "batchDuration" : 1000,
  "numReceivers" : 0,
  "numActiveReceivers" : 0,
  "numInactiveReceivers" : 0,
  "numTotalCompletedBatches" : 90379,
  "numRetainedCompletedBatches" : 1000,
  "numActiveBatches" : 0,
  "numProcessedRecords" : 39652167,
  "numReceivedRecords" : 39652167,
  "avgInputRate" : 771.722,
  "avgSchedulingDelay" : 2,
  "avgProcessingTime" : 85,
  "avgTotalDelay" : 87
}

这使我们能够使用 Spark 公开的 REST 端点构建我们自己的自定义指标/监控应用程序。