vlambda博客
学习文章列表

我们学习一个项目的时候，一开始只能有一个了解整体架构和使用方法，很难熟悉到具体细节，我们学习的过程也是一个从一个点开始，以点带面的逐渐深入。接下来我们通过优化 spark 的一个 ui，熟悉 spark streaming 操作 kafka 的流程和原理。

引出问题

使用 spark streaming 读 Kafka 数据的时候，web 界面会展示分配到每个 Executor 的 partitions，以及每个 partition 的 offset，方便开发人员观察负载，如下图：

通过 Metadata 可以看出某个 batch 处理的所有的 partition 的 offset 详情，也就知道了每个 Executor 大概的整个负载，但是这个看起来挺乱的，我希望能够按照记录数排个序，看起来就比较分析意义。

分析代码

在动手之前要熟悉一下这部分对应的代码，可以全局搜索这些字符串找到对应代码的位置，搜索 “Details of batch” 可以找到一个 BatchPage 的类，然后在类里面搜索 “Input Metadata” 可以找到这里展示的信息对应的类是 BatchUIData 的 streamIdToInputInfo 字段，也就是一个 StreamInputInfo 类：

通过代码分析工具找到相关的代码，也就是  DirectKafkaInputDStream 的 compute 方法：

看到这里很多人就比较熟悉了，Spark streaming 消费 Kafka 数据是通过 KafkaUtils.createDirectStream 方法实现，进一步查看可以发现 是通过 DirectKafkaInputDStream 类实现的：

DirectKafkaInputDStream 继承自 InputDStream，读取 Kafka 的核心方法是 compute，compute 方法会发送到 Executor 执行，每次执行都会将对应的 partition 的元数据发送到 web ui。

修改代码

知道了代码的结构就可以修改代码了，我们要做的就是在 metadata 里面算下每个 partition 的 count，然后按照 count 排序展示，代码如下：

首先 offsetRanges 数组按照 count 排序，最后展示的时候加一个 count 字段。

然后可以在本地启动验证一下，本地启动的时候由于 spark 自带的依赖都是 provided 的可能失败，需要勾选一下启动配置：

本地运行 spark 程序，当然要启动一下 kafka 插入测试数据，访问 Web 界面：

说明已经成功了，然后就可以把代码提交到 spark 官方库，由于第一次给 spark 贡献代码很多注意事项不清楚，过了很久才满足了需求，详情可以查看：https://github.com/apache/spark/pull/26266

总结

一开始接触一个项目很难有大的架构方面的贡献，只能在一些细节上优化，通过这个小的细节优化，我们也熟悉了 Spark 消费 Kafka 的方法和原理。如果希望给一些开源项目贡献代码，也可以从优化 Web UI 开始。