Spark + Elasticsearch一致性问题解析

概述

Spark与Elasticsearch（es）的结合，是近年来大数据解决方案很火热的一个话题。一个是出色的分布式计算引擎，另一个是出色的搜索引擎。近年来，越来越多的成熟方案落地到行业产品中，包括我们耳熟能详的Spark+ES+HBase日志分析平台。

目前，华为云数据湖探索（DLI）服务已全面支持Spark/Flink跨源访问Elasticsearch。而之前在实现过程中也遇到过很多场景化问题，本文将挑选其中比较经典的分布式一致性问题进行探讨。

分布式一致性问题

问题描述

数据容错是大数据计算引擎面临的主要问题之一。目前，主流的开源大数据比如Apache Spark和Apache Flink已经完全实现了Exactly Once语义，保证了内部数据处理的正确性。但是在将计算结果写入到外部数据源时，因为外部数据源架构与访问方式的多样性，始终没能找到一个统一的解决方案来保证一致性（我们称为Sink算子一致性问题）。再加上es本身没有事务处理的能力，因此如何保证写入es数据一致性成为了热点话题。

我们举一个简单的例子来说明一下，图1在SparkRDD中（这里假设是一个task），每一条蓝色的线代表100万条数据，那么10条蓝色的线表示了有1000万条数据准备写入到CSS（华为云搜索服务，内部为es）的某个index中。在写入过程中，系统发生了故障，导致只有一半（500万条）数据成功写入。

task是Spark执行任务的最小单元，如果task失败了，当前task需要整个重新执行。所以，当我们重新执行写入操作（图2），并最终重试成功之后（这次用红色来表示相同的1000万条数据），上一次失败留下的500万条数据依然存在（蓝色的线），变成脏数据。脏数据对数据计算的正确性带来了很严重的影响。因此，我们需要探索一种方法，能够实现Spark写入es数据的可靠性与正确性。

图1 Spark task失败时向es写入了部分数据

图2 task重试成功后上一次写入的部分数据成为脏数据

解决方案

1.写覆盖

从上图中，我们可以很直观的看出来，每次task插入数据前，先将es的index中的数据都清空就可以了。那么，每次写入操作可以看成是以下3个步骤的组合：

• 步骤一 判断当前index中是否有数据
• 步骤二 清空当前index中的数据
• 步骤三 向index中写入数据

换一种角度，我们可以理解为，不管之前是否执行了数据写入，也不管之前数据写入了多少次，我们只想要保证当前这一次写入能够独立且正确地完成，这种思想我们称为幂等。

幂等式写入是大数据sink算子解决一致性问题的一种常见思路，另一种说法叫做最终一致性，其中最简单的做法就是“insert overwrite”。当Spark数据写入es失败并尝试重新执行的时候，利用覆盖式写入，可以将index中的残留数据覆盖掉。

图 使用overwrite模式，task重试时覆盖上一次数据

在DLI中，可以在DataFrame接口里将mode设置成“overwrite”来实现覆盖写es：

val dfWriter = sparkSession.createDataFrame(rdd, schema)

//
// 写入数据至es
//
dfWriter.write 
  .format("es") 
  .option("es.resource", resource) 
  .option("es.nodes", nodes) 
  .mode(SaveMode.Overwrite) 
  .save()

也可以直接使用sql语句：

// 插入数据至es
sparkSession.sql("insert overwrite table es_table values(1, 'John'),(2, 'Bob')")

2.最终一致性

利用上述“overwrite”的方式解决容错问题有一个很大的缺陷。如果es已经存在了正确的数据，这次只是需要追加写入。那么overwrite会把之前index的正确的数据都覆盖掉。

比如说，有多个task并发执行写入数据的操作，其中一个task执行失败而其他task执行成功，重新执行失败的task进行“overwrite”会将其他已经成功写入的数据覆盖掉。再比如说，Streaming场景中，每一批次数据写入都变成覆盖，这是不合理的方式。

图 Spark追加数据写入es

图 用overwrite写入会将原先正确的数据覆盖掉

其实，我们想做的事情，只是清理脏数据而不是所有index中的数据。因此，核心问题变成了如何识别脏数据？借鉴其他数据库解决方案，我们似乎可以找到方法。在MySQL中，有一个insert ignore into的语法，如果遇到主键冲突，能够单单对这一行数据进行忽略操作，而如果没有冲突，则进行普通的插入操作。这样就可以将覆盖数据的力度细化到了行级别。

es中有类似的功能么？假如es中每一条数据都有主键，主键冲突时可以进行覆盖（忽略和覆盖其实都能解决这个问题），那么在task失败重试时，就可以仅针对脏数据进行覆盖。

我们先来看一下Elasticsearch中的概念与关系型数据库之间的一种对照关系：

我们知道，MySQL中的主键是对于一行数据（Row）的唯一标识。从表中可以看到，Row对应的就是es中的Document。那么，Document有没有唯一的标识呢？

答案是肯定的，每一个Document都有一个id，即doc_id。doc_id是可配置的，index、type、doc_id三者指定了唯一的一条数据（Document）。并且，在插入es时，index、type、doc_id相同，原先的document数据将会被覆盖掉。因此，doc_id可以等效于“MySQL主键冲突忽略插入”功能，即“doc_id冲突覆盖插入”功能。

因此，DLI的SQL语法中提供了配置项“es.mapping.id”，可以指定一个字段作为Document id，例如：

create table es_table(id int, name string) using es options(
'es.nodes' 'localhost:9200',
'es.resource' '/mytest/anytype',
'es.mapping.id' 'id')")

这里指定了字段“id”作为es的doc_id，当插入数据时，字段“id”的值将成为插入Document的id。值得注意的是，“id”的值要唯一，否则相同的“id”将会使数据被覆盖。

这时，如果遇到作业或者task失败的情况，直接重新执行即可。当最终作业执行成功时，es中将不会出现残留的脏数据，即实现了最终一致性。

图 在插入数据时将主键设为doc_id，利用幂等插入来实现最终一致性

总结

本文可以一句话总结为“利用doc_id实现写入es的最终一致性”。而这种问题，实际上不需要如此大费周章的探索，因为在es的原生API中，插入数据是需要指定doc_id，这应该是一个基本常识：（详细API说明可以参考：https://www.elastic.co/guide/en/elasticsearch/reference/current/docs-bulk.html）

图 es使用bulk接口进行数据写入

权当消遣，聊以慰藉。

得益于Base理论，最终一致性成为分布式计算中重要的解决方案之一。尽管该解决方案还有一定的限制（比如本文的解决方案中数据必须使用主键），而业界还有很多分布式一致性的解决方案（比如2PC、3PC）。但个人认为，衡量工作量与最终效果，最终一致性是一种很有效且很简约的解决方案。

扩展阅读：Elasticsearch Datasource

简介

Datasource是Apache Spark提供的访问外部数据源的统一接口。Spark提供了SPI机制对Datasource进行了插件式管理，可以通过Spark的Datasource模块自定义访问Elasticsearch的逻辑。

华为云DLI（数据湖探索）服务已完全实现了es datasource功能，用户只要通过简单的SQL语句或者Spark DataFrame API就能实现Spark访问es。

功能描述

通过Spark访问es，可以在DLI官方文档中找到详细资料：https://support.huaweicloud.com/usermanual-dli/dli_01_0410.html。（Elasticsearch是由华为云CSS云搜索服务提供）。

可以使用Spark DataFrame API方式来进行数据的读写：