如何应对Spark-Redis行海量数据插入、查询作业时碰到的问题

摘要：由于redis是基于内存的数据库，稳定性并不是很高，尤其是standalone模式下的redis。于是工作中在使用Spark-Redis时也会碰到很多问题，尤其是执行海量数据插入与查询的场景中。

海量数据查询

Redis是基于内存读取的数据库，相比其它的数据库，Redis的读取速度会更快。但是当我们要查询上千万条的海量数据时，即使是Redis也需要花费较长时间。这时候如果我们想要终止select作业的执行，我们希望的是所有的running task立即killed。

Spark是有作业调度机制的。SparkContext是Spark的入口，相当于应用程序的main函数。SparkContext中的cancelJobGroup函数可以取消正在运行的job。

/*** Cancel active jobs for the specified group. See `org.apache.spark.SparkContext.setJobGroup`* for more information.*/def cancelJobGroup(groupId: String) {assertNotStopped()dagScheduler.cancelJobGroup(groupId)}

按理说取消job之后，job下的所有task应该也终止。而且当我们取消select作业时，executor会throw TaskKilledException，而这个时候负责task作业的TaskContext在捕获到该异常之后，会执行killTaskIfInterrupted。

 // If this task has been killed before we deserialized it, let's quit now. Otherwise,// continue executing the task.val killReason = reasonIfKilledif (killReason.isDefined) {// Throw an exception rather than returning, because returning within a try{} block// causes a NonLocalReturnControl exception to be thrown. The NonLocalReturnControl// exception will be caught by the catch block, leading to an incorrect ExceptionFailure// for the task.throw new TaskKilledException(killReason.get)}

/*** If the task is interrupted, throws TaskKilledException with the reason for the interrupt.*/private[spark] def killTaskIfInterrupted(): Unit

但是Spark-Redis中还是会出现终止作业但是task仍然running。因为task的计算逻辑最终是在RedisRDD中实现的，RedisRDD的compute会从Jedis中取获取keys。所以说要解决这个问题，应该在RedisRDD中取消正在running的task。这里有两种方法：

方法一：参考Spark的JDBCRDD，定义close()，结合InterruptibleIterator。

def close() {if (closed) returntry {if (null != rs) {rs.close()}} catch {case e: Exception => logWarning("Exception closing resultset", e)}try {if (null != stmt) {stmt.close()}} catch {case e: Exception => logWarning("Exception closing statement", e)}try {if (null != conn) {if (!conn.isClosed && !conn.getAutoCommit) {try {conn.commit()} catch {case NonFatal(e) => logWarning("Exception committing transaction", e)}}conn.close()}logInfo("closed connection")} catch {case e: Exception => logWarning("Exception closing connection", e)}closed = true}context.addTaskCompletionListener{ context => close() }
CompletionIterator[InternalRow, Iterator[InternalRow]](new InterruptibleIterator(context, rowsIterator), close())

方法二：异步线程执行compute，主线程中判断task isInterrupted

try{val thread = new Thread() {override def run(): Unit = {try {keys = doCall} catch {case e =>logWarning(s"execute http require failed.")}isRequestFinished = true}}// control the http request for quite if user interrupt the jobthread.start()while (!context.isInterrupted() && !isRequestFinished) {Thread.sleep(GetKeysWaitInterval)}if (context.isInterrupted() && !isRequestFinished) {logInfo(s"try to kill task ${context.getKillReason()}")context.killTaskIfInterrupted()}thread.join()CompletionIterator[T, Iterator[T]](new InterruptibleIterator(context, keys), close)

我们可以异步线程来执行compute，然后在另外的线程中判断是否task isInterrupted，如果是的话就执行TaskContext的killTaskIfInterrupted。防止killTaskIfInterrupted无法杀掉task，再结合InterruptibleIterator：一种迭代器，以提供任务终止功能。通过检查[TaskContext]中的中断标志来工作。

海量数据插入

我们都已经redis的数据是保存在内存中的。当然Redis也支持持久化，可以将数据备份到硬盘中。当插入海量数据时，如果Redis的内存不够的话，很显然会丢失部分数据。这里让使用者困惑的点在于：当Redis已使用内存大于最大可用内存时，Redis会报错：command not allowed when used memory > ‘maxmemory’。但是当insert job的数据大于Redis的可用内存时，部分数据丢失了，并且还没有任何报错。

因为不管是Jedis客户端还是Redis服务器，当插入数据时内存不够，不会插入成功，但也不会返回任何response。所以目前能想到的解决办法就是当insert数据丢失时，扩大Redis内存。

总结

Spark-Redis是一个应用还不是很广泛的开源项目，不像Spark JDBC那样已经商业化。所以Spark-Redis还是存在很多问题。相信随着commiter的努力，Spark-Redis也会越来越强大。

点击关注，第一时间了解华为云新鲜技术~