Spark Streaming中foreachRDD的陷阱

我们的项目需要从Kafka消费消息，在对消息进行处理后，再写入到ActiveMQ，以作为外部系统的数据源。基于这样的逻辑，我们就需要通过Spark Streaming读取Kafka的消息，获得的结果其实是一个RDD。DStream提供了foreachRDD(func)方法，通过该方法可以遍历RDD的每条记录，然后再通过ActiveMQ的Producer将处理后的消息发送到ActiveMQ。

要将消息发送到ActiveMQ，就需要建立与消息队列的连接。在传统编程实现中，最直观的做法一定是将获取连接的代码放在foreachRDD(func)方法之外，如此可以避免不必要的资源消耗与时间消耗。例如：

dstream.foreachRDD { rdd =>
  val producer = createProducer()
  rdd.foreach { message =>
    producer.send(message)
  }
}

def createProducer(): MessageProducer = {
  val conn = createActiveMQConnection()
  val session = sessionFrom(conn)
  producerFrom(session)
}

但是，这一做法在Spark Streaming中却行不通。原因在于：**foreachRDD(func)方法中的func是在调用Spark流式计算程序的Driver进程中执行的，而遍历得到的RDD中的操作却是在worker中执行**：

dstream.foreachRDD { rdd =>
  val producer = createProducer()  //在driver进程执行
  rdd.foreach { message =>
    producer.send(message)  //在worker进程执行
  }
}

这就需要将获得的对象（例子中包括了Connection、Session和Producer）进行序列化，使其能够从driver发送到worker。然而，连接等于资源相关的对象往往无法支持序列化，也无法在worker正确的初始化。

为了避免这种情况，一种做法是将前面的createProducer()方法搬到内部的rdd.foreach(fn)中来。可是，创建一个connection对象往往既费时间又费资源，针对每个RDD不停地创建连接，然后又关闭连接，会影响到整个系统的吞吐量和性能。

解决方案是使用foreachPartition(func)方法，通过它创建一个单独的connection对象，然后在RDD分区里使用这个连接对象将所有数据发送出去：

dstream.foreachRDD { rdd =>
  rdd.foreachPartition { partitionOfRecords =>
    sendToActiveMQ { producer =>
      partitionOfRecords.foreach(record => producer.send(record))
    }
  }
}

def sendToActiveMQ(send: MessageProducer => Unit):Unit => {
  val conn = createActiveMQConnection()
  val session = sessionFrom(conn)
  val producer = producerFrom(session)
  send(producer)
  conn.close()
}  

为了避免过多的创建和释放connection对象，还有一个更好的方案是使用连接池。由于我在前面的代码已经将连接创建与关闭提取出专门的方法，因此只需要修改前面的sendToActiveMQ()即可：

def sendToActiveMQ(send: MessageProducer => Unit):Unit => {
  val conn = ActiveMQConnectionPool.getConnection()
  val session = sessionFrom(conn)
  val producer = producerFrom(session)
  send(producer)
  ActiveMQConnectionPool.returnConnnection(conn)
} 

Spark这种Driver与Worker互相协作的分布式架构，与单节点的编程模型存在细微差异。开发时，稍不注意就可能出现问题。当然，面对这些问题，最根本的还是要从Spark的设计本质来理解，问题也就迎刃而解了。