EMR上如何进行流式SQL调试

作者：余根茂，阿里巴巴计算平台事业部EMR团队的技术专家，参与了Hadoop，Spark，Kafka等开源项目的研发工作。目前主要专注于EMR流式计算产品的研发工作。

1. 前言

从EMR-3.21.0版本开始，EMR正式发布了Spark Streaming SQL功能，支持使用Spark SQL进行流式数据处理。经过两个版本的迭代，不少用户反馈当使用SQL进行流式作业开发时，查询结果正确性的调试过程比较麻烦。当前，我们需要完成用户真实的数据流开发，才能在结果存储系统中查看结果是否正确。有些数据存储系统又不方便查看，例如Kafka。这里简单罗列几点不便于调试的问题：

• 无法在控制台输出中直观看到SQL的执行结果，传统的需要在输出存储系统查看。

• 数据是变化的：包括输入数据和输出结果都是不断变化的，无法方便看到每个批次的执行结果。

• 每个批次执行的metrics也不方便查看，传统的需要在日志中查找。

除此外，还有一些高级功能也可以考虑到调试工具中，例如：

• 脱离真实数据源的数据模拟功能。

• 数据采样功能。

本文将介绍EMR提供的流式SQL调试功能，它可以很好地解决了SQL调试中的基本需求。高级调试功能也将会在后续的迭代中逐步放出。

注：本功能将在EMR-3.23.0版本提供出来。

2.工具介绍

2.1 演示SQL

我想实现以下功能，将kafka的一个binlog主题同步到Kafka的另一个主题中。

CREATE TABLE rds_binlog
USING kafka
OPTIONS (
  kafka.bootstrap.servers='a.b.c.d:9092',
  subscribe='rds-binlog')


CREATE TABLE result_table
USING kafka
OPTIONS (
  kafka.bootstrap.servers='a.b.c.d:9092',
  subscribe='result-table')


CREATE SCAN rds_binlog_stream_read ON rds_binlog USING stream;


CREATE STREAM sync_rds_binlog 
OPTIONS(
triggerInterval=1000, 
checkpointLocation='/tmp/checkpoint/sync_rds_binlog') 
INSERT INTO result_table 
SELECT cast(value as string), * 
FROM rds_binlog_stream_read;

我现在不确定查询结果是不是符合预期，所以下面我就用到流式SQL的调试功能。上面的SQL需要做一点点修改，这里不能直接将查询结果写到“result_table”，而是改成调试表“stream_debug_table”。Spark会默认创建出这个表。即改成如下：

CREATE STREAM sync_rds_binlog 
OPTIONS(
triggerInterval=1000, 
checkpointLocation='/tmp/checkpoint/sync_rds_binlog') 
INSERT INTO stream_debug_table 
SELECT cast(value as string), * 
FROM rds_binlog_stream_read;

当我们调试确认没问题后，我们再改回去，正式部署上线运行。执行后，我们就可以在控制台看到如下SQL执行结果：

2.2 操作介绍

流式SQL结果输出界面主要分为三个功能区域：

• 顶部：简单展示流式作业的关键信息，包括：输出模式，批次间隔，批次ID等

• 中间：流式SQL每个批次的执行结果

• 底部：功能键，包括：退出（Quit），自动刷新（Refresh），批次跳转（Goto Batch），结果页跳转（Goto Page），下一个批次（Next Batch），上一个批次（Prev Batch），下一个结果页（Next Page），上一个结果页（Prev Page），当前批次Metrics（Metrics），最后一个批次（Last Batch）。

具体每个功能键的使用说明如下：

• 【Q】Quit: 退出当前界面。

• 【R】Refresh: 触发页面的自动刷新。当你进行【B】，【P】，【+】，【-】，【<】，【>】，【M】，【L】操作会触发停止页面自动刷新，自动刷新会从当前页面批次开始。

• 【B】Goto Batch：手动跳转到某个批次结果。当我们跳转到具体某个批次后，输出界面将会停止刷新，这不会影响流式作业的执行。

• 【P】Goto Page：当某个批次的结果数据较多，一页无法展示时，可以手动跳转到某一页。

• 【+】Next Batch：手动跳转到下一个批次结果。

• 【-】Prev Batch：手动跳转到前一个批次结果。

• 【>】Next Page：手动跳转到下一个结果分页。

• 【<】Prev Page：手动跳转到上一个结果分页。

• 【M】Metrics：查看当前批次的Metrics信息。

• 【L】Last Batch：直接跳转到最后一个批次。

当我们需要跳转到某个批次页面时，会弹出输入框，输入需要跳转到哪一个批次。

这里会提示合法的Batch ID区间，超出区间会提示非法。我们可以使用“ECS”键或者不输入直接回车退出。

对于每一个批次，我们可以查看它执行阶段的Metrics信息，输入“【M】Metrics”键：

当信息比较多时会分页展示，我们可以通过“<”和“>”进行翻页。同样的，我们可以输入“ECS”，“Q”或者“q”退出。

2.3 注意事项

使用过程中有一些注意事项：

• Driver内存保存了每个批次的执行结果，所以会消耗一定的内存资源。长时间运行，或者输出结果较大时可能会出现内存不足问题。

• 建议修改Spark的log4j级别为ERROR，否则INFO/WARN日志会打印到控制台中，影响调试体验。

• 为了支持调试，我们会在Spark中默认创建一个表“stream_debug_table”。如果您已经存在了这个表名，则无法创建出来并且无法进行调试。您可以自己创建一个调试表，例如：

CREATE TABLE my_debug_table USING MEMORY;

3.小结

本文主要介绍了EMR提供的一个流式SQL控制台调试小工具，可以解决基本的SQL正确性调试需求。除此外，一些高级的调试功能也在开发中。下面是录制的一段视频，直观感受下整个工具的使用：

（由于公众哈限制，请点击阅读原文观看）

阿里巴巴开源大数据技术团队成立Apache Spark中国技术社区，定期推送精彩案例，技术专家直播，问答区数个Spark技术同学每日在线答疑，只为营造纯粹的Spark氛围，欢迎钉钉扫码加入！