Processamento de dados em "tempo real"

Eiti KimuraQConSP19

com Apache Spark Structured Stream

● IT Coordinator and Software Architect at Movile● Msc. in Electrical Engineering● Apache Cassandra MVP (2014/2015 e 2015/2016)● Cassandra Summit Speaker (2014 e 2015)● Strata Hadoop World Singapore Speaker (2016)● Spark Summit Speaker (2017)● RedisConf Speaker (2018)

Eiti Kimura

eitikimura

+1 BilhãoDe mensagens por mês

SUMÁRIO

● Introdução ao Apache Spark● Nova API Structured Streaming● Caso de uso de uma aplicação de

processamento em "tempo real"● Lições aprendidas

Introdução ao Apache Spark

Apache Spark™ is a fast and general engine for large-scale data processing.

Em que o Apache Spark é usado?

● Processos de ETL

● Consultas Interativas (SQL)

● Análise de dados avançada

● Machine Learning

● Streaming sobre grandes datasets

Stream de dados

Structured Stream do Spark

API de alto nível para desenvolvimento de aplicações contínuas de processamento de stream de dados, integrando com storages de forma consistente e tolerante a falhas.

Apache Spark Structured Stream

• Nova API de alto nível• Junção de dados contínua com conteúdo estático • Integrações com diversas fontes de dados• Tolerante a falhas (checkpoints) • Tratamento de eventos desordenados (watermark)

Processamento Batch com DataFrames

input = spark.read .format("csv") .load("source-path")

result = input .select("device", "signal") .where("signal > 15")

result.write .format("parquet") .save("dest-path")

Leitura de um arquivo CSV

Aplicação de filtros e seleção

Escrita em formato parquet

Processamento Streaming com DataFrames

input = spark.readStream .format("csv") .load("source-path")

result = input .select("device", "signal") .where("signal > 15")

result.writeStream .format("parquet") .start("dest-path")

Leitura de um arquivo CSV Stream

Aplicação de filtros e seleção

Escrita em formato parquet Stream

Substitui read por readStream

Código não muda!

Substitui write por writeStreame save por start

Tipos de Entrada de Dados (Input Sources)

Distributed File System, Dir

Apache Kafka Stream

Socket Connection

Modos de Output, saída de dados

● Complete: todas as linhas resultantes do processamento são direcionadas para saída de dados

● Update: somente as linhas que sofreram alterações ao longo da última execução

● Append: somente as novas linhas geradas no processamento

Tipos de Saída de Dados (Output Sinks)

Distributed File System

Apache Kafka Stream

Memory/Console

Foreach Extension

Tolerância a Falhas com Checkpoints

Checkpointing: gravação de metadados (ex: offsets) em write ahead logs em disco (S3/HDFS) para recuperação em caso de falhas.

Tratamento de dados desordenados Watermarking

USE CASE

Processador de dados em tempo quase real

Subscription & Billing System a.k.a

SBSSBS

+110 milhõesDe transações por dia

4 Grandes

operadoras no Brasil

Arquitetura do Processador Contínuo

Arquitetura do Processador Contínuo

Arquitetura do Processador Contínuo

Arquitetura do Processador Contínuo

Arquitetura do Processador Contínuo

Amostra de Dados CSV (Gzipped)

838,2,5500000000,100015,"{""authCode"":""3215"",""transactionIdAuth"":""101170622042837

4938""}",SUBSCRIPTION_050,0.5,11,0,1,14,Subscription renew.,2017-07-18

13:22:59.518,,,19,PRE,false,Charge Fail. CTN[31984771092][PRE][GSM]: Without

Credit.,,,,0,458,,engine2dc2,23,3,5,2017-07-18

13:22:59.544,,FE1952B0-571D-11E7-8A17-CA2EE9B22EAB,NT0359

838,2,5500000000,100008,"{""authCode"":""9496"",""transactionIdAuth"":""117170703192540

9718""}",SUBSCRIPTION_099,0.99,11,0,1,14,Subscription renew.,2017-07-18

13:22:58.893,,,19,PRE,false,Charge Fail. CTN[21976504467][PRE][GSM]: Without

Credit.,,,,0,1074,,engine2dc2,24,3,5,2017-07-18

13:22:58.928,,3ADF36D0-6040-11E7-9619-A2D6E78E4511,NT0360

703,2,5500000000,100004,"{""authCode"":""6838"",""transactionIdAuth"":""118170706120694

8526""}",SUBSCRIPTION_299,2.99,11,0,1,14,Subscription renew.,2017-07-18

13:22:59.246,,,19,PRE,false,Charge Fail. CTN[84994640470][PRE][GSM]: Without

Credit.,,,,0,748,,engine2dc2,24,3,5,2017-07-18 13:22:59.254, NT0299

Fonte de Entrada de Dados

val streamReader = spark.readStream

.format("csv")

.option("header", false)

.option("mode", "DROPMALFORMED")

.schema(ReadSchemas.csvTransactionSchema)

.load("hdfs://YOUR_PATH/20*/*/*/*.gz")

val conf = new SparkConf().setAppName("Structured Streaming")

val spark = SparkSession.builder()

.config(conf).getOrCreate()

fragmento de código Scala

INPUT

Estrutura na definição de um Schema

StructField("origin_id", IntegerType, true)

Nome do campo

Tipo do campo

pode ser nulo?

Definição de Schema de Leitura de Dados

// the csv data schema

def csvTransactionLogSchema = StructType {

StructType(Array(

StructField("id", StringType, true),

StructField("application_id", IntegerType, true),

StructField("carrier_id", IntegerType, true),

StructField("phone", StringType, true),

StructField("price", DoubleType, true),

StructField("origin_id", IntegerType, true),

. . .

))

}

fragmento de código Scala

Processamento (Spark SQL API) v1val query = streamReader

.withColumn("date", $"creation_date".cast("date"))

.withColumn("successful_charges", when($"transaction_status_id" === 2, 1))

.withColumn("no_credit", when($"transaction_status_id" === 0, 1).otherwise(0))

.withColumn("error", when($"transaction_status_id" === 3).otherwise(0))

.filter("carrier_id IN (1,2,4,5)")

.filter("transaction_status_id NOT IN (5, 6)")

.filter("transaction_action_id IN (0, 1)")

.withWatermark("creation_date", "3 hour")

.groupBy($"carrier_id", window($"creation_date", "5 minutes").as("window"))

.agg($"carrier_id",

avg($"response_time").as("avg_response_time"),

sum($"successful_charges").as("successful_charges"),

sum($"no_credit").as("no_credit"),

sum($"error").as("error"),

count($"carrier_id").as("total_attempts"))

select case when

filtering

aggregation

Processamento (Spark SQL API) v2

streamReader .withWatermark("creation_date", "3 hour") .createOrReplaceTempView("transaction_temp_table")

val streamReader = spark.readStream

.format("csv")

.schema(ReadSchemas.csvTransactionSchema)

.load("hdfs://YOUR_PATH/20*/*/*/*.gz")

Processamento (Spark SQL) v2val query : DataFrame = spark.sql( """ SELECT carrier_id, TO_DATE(creation_date) as record_date, HOUR(creation_date) as hour_of_day, WINDOW(creation_date, "5 minutes").start as start_date, AVG(response_time) as avg_response_time , SUM(CASE WHEN transaction_status_id = 2 THEN 1 ELSE 0 END) as successful_charges, SUM(CASE WHEN transaction_status_id = 0 THEN 1 ELSE 0 END) as no_credit, count(carrier_id) as total_attempts FROM transaction_raw WHERE carrier_id IN (1,2,4,5) AND transaction_action_id IN (0, 1) AND transaction_status_id NOT IN (5, 6) GROUP BY carrier_id, TO_DATE(creation_date), HOUR(creation_date), WINDOW(creation_date, "5 minutes").start""")

SELECT carrier_id, TO_DATE(creation_date) as record_date, HOUR(creation_date) as hour_of_day, WINDOW(creation_date, "5 minutes").start as start_date, AVG(response_time) as avg_response_time , SUM(CASE WHEN transaction_status_id = 2 THEN 1 ELSE 0 END) as successful_charges, SUM(CASE WHEN transaction_status_id = 0 THEN 1 ELSE 0 END) as no_credit, count(carrier_id) as total_attempts FROM transaction_temp_table WHERE carrier_id IN (1,2,4,5) AND transaction_action_id IN (0, 1) AND transaction_status_id NOT IN (5, 6) GROUP BY carrier_id, TO_DATE(creation_date), HOUR(creation_date), WINDOW(creation_date, "5 minutes").start

Fonte de Saída de Dados

val jdbcWriter = new JDBCSink(resource, username, password)

val foreachStream = query

.select($"carrier_id", $"date", $"hour_of_day", $"start_date", $"end_date")

.writeStream

.foreach(jdbcWriter)

.outputMode(OutputMode.Update())

.trigger(Trigger.ProcessingTime("2 minute"))

.option("checkpointLocation", "hdfs://YOUR_PATH/checkpoint-complete/")

.start

foreachStream.awaitTermination()

OUTPUT

Result table em consolidação

+--+-----------+-----+------+------+------------+--------+---------+-----+-------+

|id|record_date|hour |start |end |avg_resp_tm |success |no_credit|error|tot_att|

+--+-----------+-----+------+------+------------+-- -----+---------+-----+-------+

|1 |2017-07-18 |13 |13:20 |13:25 |618.8061297 | 4 |2607 |195 |2806 |

|2 |2017-07-18 |13 |13:20 |13:25 |1456.424283 | 13 |10912 |1503 |12428 |

|5 |2017-07-18 |13 |13:20 |13:25 |1161.730896 | 9 |2796 |532 |3337 |

|4 |2017-07-18 |13 |13:20 |13:25 |2950.642105 | 4 |1364 |54 |1425 |

+--+-----------+-----+------+------+------------+--------+---------+-----+-------+

Window (5 mins)Consolidação

Watermark (ts) Agregações

Operadoras

RESULTADOS OBTIDOS

60-90 minsProcessamento de Arquivos

via ETL persistência em banco de analytics

3-5 minsProcessamento contínuo com

Apache Structured Stream

10-15 segundosConsulta de consolidação

para exibição no Dashboard

< 1 segundoConsulta para exibição no

Dashboard

ANTES DEPOIS

mais rápido~ 30x

mais rápido

Lições Aprendidas

deSchema

EVOLUÇÃO

def csvSchema = StructType {

StructType(Array(

StructField("id", StringType, true),

StructField("application_id", IntegerType, true),

StructField("carrier_id", IntegerType, true),

StructField("creation_date", TimestampType, true)

))}

Resiliência no processamento com Streams

val input = spark.readStream

.option("mode", "DROPMALFORMED")

spark.sqlContext

.setConf("spark.sql.files.ignoreCorruptFiles","true")

Performance Check

WARN ProcessingTimeExecutor:66 - Current batch

is falling behind. The trigger interval is 1000

milliseconds, but spent 19455 milliseconds

Apache Spark Releases

● (2.3) Continuous Processing in Structured Streaming ○ Nova engine de execução de queries sobre Streaming com

latência de sub-milissegundo de ponta-a-ponta

● (2.4) Kafka Client upgrade ○ atualização versão do client do Kafka da 0.10.0.1 para 2.0.0

Obrigado

Perguntas?

github.com/eitikimura/structured-streaming

eitikimura