前言
当我在测试SparkStreaming的状态操作mapWithState算子时，当我们设置timeout(3s)的时候，3s过后数据还是不会过期，不对此key进行操作，等到30s左右才会清除过期的数据。
百度了很久，关于timeout的资料很少，更没有解决这个问题的文章，所以说，百度也不是万能的，有时候还是需要靠自己。
所以我就在周末研究了一下，然后将结果整理了出来，希望能帮助大家更全面的理解Spark状态计算。
mapWithState
按理说Spark Streaming实时处理，数据就像流水，每个批次之间的数据都是独立的，处理完就处理完了，不留下任何状态。但是免不了一些有状态的操作，例如统计从流启动到现在，某个单词出现了多少次，所以状态操作就出现了。
状态操作分为updateStateByKey和mapWithState，两者有着很大的区别。简单的来说，前者每次输出的都是全量状态，后者输出的是增量状态。
过期原理
过期这一块估计很多人开始都理解错了，我刚开始理解就是数据从出现，经过多少秒之后就会过期。其实不是，这里的过期指的是空闲时间。
注释大概是这个意思：timeout()传入一个时间间隔参数，如果一个key在大于此间隔没有此key的数据流入，则被认为是空闲的，就会单独调用一次mapWithState中的func来清除这些空闲数据状态。
先写结论
使用了timeout()之后，需要使用以下代码来在间隔内清除失效key。
stream.checkpoint(Seconds(6))
checkpoint的时候，会开启全面扫描，才会对state中的失效key进行清理。
测试
val conf = new SparkConf().setMaster("local[2]").setAppName("state") val ssc = new StreamingContext(conf, Seconds(3)) ssc.checkpoint("./tmp") val streams: DStream[(String, Int)] = ssc.socketTextStream("localhost", 9999) .map(x => (x, 1)) val result = streams.mapWithState(StateSpec.function((k: String, v: Option[Int], state: State[Int]) => { val count = state.getOption().getOrElse(0) println(k) println(v) var sum = 0 if (!state.isTimingOut()) { sum = count + v.get state.update(sum) } else { println("timeout") } Option(sum) }) .timeout(Seconds(3)) ) // 这行代码是触发清除机制的关键 // result.checkpoint(Seconds(6)) result.print() ssc.start() ssc.awaitTermination()
使用上面的代码进行测试，设置过期时间为3s。但是3s过后发现key并没有过期，也不会被清除，大概30S之后被清除。
在9999端口输入一个tom后，不再进行任何操作。测试结果如下：
tom Some(1) ------------------------------------------- Time: 1618228587000 ms ------------------------------------------- Some(1) tom None timeout ------------------------------------------- Time: 1618228614000 ms ------------------------------------------- Some(0)
从测试结果可以看出，从输入到清除大概是27s。
我们现在将注释的代码放开，每6s进行checkpoint一次，输入tom：
tom Some(1) ------------------------------------------- Time: 1618228497000 ms ------------------------------------------- Some(1) tom None timeout ------------------------------------------- Time: 1618228506000 ms ------------------------------------------- Some(0)
从生成到清除用了9秒，正好是过期时间 + 下一个窗口时间，触发了checkpoint。
猜想
第一次学状态操作的时候，就考虑如何去掉一些过期的key，通过timeout()的方法没有完成自己想法，从网上也没有找到解决方案，所以就暂且搁置在一边了。后来又回过头来考虑这个问题，然后根据自己的想法去猜想、去验证。
1. 我先看的是mapWithState()的返回值
2. MapWithStateDStreamImpl
每个Dstream的计算逻辑都在compute()中，这里是调用了internalStream的getOrCompute()，根据继承关系，调用的是父类Dstream的此方法：
getOrCompute()主要功能为：计算、缓存、checkpoint。这里只需要记住几个地方：checkpointDuration，即checkpoint间隔，和调用了checkpoint()。其实真正的计算还是调用了compute()，接着去看compute()
3. InternalMapWithStateDStream
compute()里面也调用了getOrCompute()方法，其实和上面调用的一样，都是Dstream的，这里主要看的是使用createFromRDD()生成的StateRDD。
4. MapWithStateRDD
这个StateRDD就是参与状态计算的数据集合，首先看它是如何生成的： 
再看看StateRDD的compute()是如何计算的：
从compute()看出，当doFullScan为true的时候，才会触发过期key的清除，updateRecordWithData()负责全面扫描清除过期key。
这不，思路就来了，我们只要找到开启FullScan的方法，不就可以自行触发清除机制了吗！
那么，我们先看看doFullScan的默认值：
默认是没开启的，接着通过快捷键看看哪些地方使用了doFullScan： 
从图中看出，有两处代码修改了doFullScan，我们找到这两处代码：
第一个基本上排除，那么就剩下第二个：checkpoint()，我们要知道的是，状态操作必须要checkpoint。
还记得在2中的getOrCompute()吗，当checkpointDuration不为null的时候，调用checkpoint()。 我们来看3中InternalMapWithStateDStream是如何定义这个duration的：
如图，sideDuration是窗口时间，乘以系数10就是默认的checkpoint时长，所以当我设置窗口为3s时，checkpoint周期就是30s，30s才会清理一次过期key。
而通过checkpoint(interval)可以设置checkpoint的间隔，所以覆盖了上面程序中默认的30s。 
5.MapWithStateRDDRecord
最后提一提，FullScan是在这个类中开启的，所以先看看这个Record的注释介绍： 
意思就是负责存储StateRDD的状态KV，updateRecordWithData()负责清除过期的Record，我们来看看这个方法的实现：
removeTimedoutData就是是否开启全面扫描，即doFullScan的值。
结语
写完看起来感觉真的是简简单单，逻辑看起来也比较清晰，但是自己去解决这个问题的时候也是花了一下午时间，过期key的清除与checkpoint有关也是我凭空弄猜想，然后分析了两次，某一瞬间才找到他们之间的关系。所以说，猜想和运气还是很重要的。
当然，找不到关于这块的文章和资料可能是因为这个知识点太小了。所以这次过后，要开始系统阅读Spark源码了，也希望在某一天能结合着自己的理解，写一下Spark的文章。
95后小程序员，写的都是日常工作中的亲身实践，置身于初学者的角度从0写到1，详细且认真。
文章会在公众号 [入门到放弃之路] 首发，期待你的关注。
