本节课内容:

    1、Spark Streaming Job架构和运行机制

    2、Spark Streaming Job容错架构和运行机制


理解Spark Streaming Job整个架构和运行机制对于精通Spark Streaming来说是至关重要的。

一、首先我们运行以下程序,然后通过这个程序的运行过程进一步加深对Spark Streaming流处理Job的执行过程的理解,代码如下:

object OnlineForeachRDD2DB {

  def main(args: Array[String]){

    /*

      * 第1步:创建Spark的配置对象SparkConf,设置Spark程序的运行时的配置信息,

      * 例如说通过setMaster来设置程序要链接的Spark集群的Master的URL,如果设置

      * 为local,则代表Spark程序在本地运行,特别适合于机器配置条件非常差(例如

      * 只有1G的内存)的初学者 *

      */

    val conf = new SparkConf() //创建SparkConf对象

    conf.setAppName("OnlineForeachRDD2DB") //设置应用程序的名称,在程序运行的监控界面可以看到名称

    conf.setMaster("spark://Master:7077") //此时,程序在Spark集群上运行

    //conf.setMaster("local[6]") //本地

    //设置batchDuration时间间隔来控制Job生成的频率并且创建Spark Streaming执行的入口

    val ssc = new StreamingContext(conf, Seconds(30))

    val lines = ssc.socketTextStream("Master", 9999)

    val wordCounts = lines.flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_)

    

   //JobScheduler中通过foreachRDD这个Action来触发真正意义上的Job执行

    wordCounts.foreachRDD { rdd =>

      rdd.foreachPartition { partitionOfRecords => {

        // ConnectionPool is a static, lazily initialized pool of connections

        val connection = ConnectionPool.getConnection()  //ConnectionPool这个是创建连接的函数,需自己单独写

        partitionOfRecords.foreach(record => {

        val sql = "insert into streaming_itemcount(item,count) values('" + record._1 + "'," + record._2 + ")"

        val stmt = connection.createStatement();

        stmt.executeUpdate(sql);

        })

        ConnectionPool.returnConnection(connection)  // return to the pool for future reuse

      }

      }

    }


    ssc.start() //调用JobScheduler中的Start方法

    ssc.awaitTermination()

  }

}


备注:

     在StreamingContext调用start方法的内部其实是会启动JobScheduler的Start方法,进行消息循环,在JobScheduler的start内部会构造JobGenerator和ReceiverTacker,

     并且调用JobGenerator和ReceiverTacker的start方法:

     1,JobGenerator启动后会不断的根据batchDuration生成一个个的Job

     2,ReceiverTracker启动后首先在Spark Cluster中启动Receiver(其实是在Executor中先启动ReceiverSupervisor),

          在Receiver收到数据后会通过ReceiverSupervisor存储到Executor上,并且把数据的Metadata信息发送给Driver中的ReceiverTracker,

          在ReceiverTracker内部会通过ReceivedBlockTracker来管理接受到的元数据信息。

     3、每个BatchInterval会产生一个具体的Job,其实这里的Job不是Spark Core中所指的Job,它只是基于DStream Graph而生成的RDD的DAG而已,

          从Java角度讲,相当于Runnable接口实例,此时要想运行Job需要提交给JobScheduler,在JobScheduler中通过线程池的方式找到一个单独的线程来提交Job到集群运行

        (其实是在线程中基于RDD的Action触发真正的作业的运行),为什么使用线程池呢?

          1,作业不断生成,所以为了提升效率,我们需要线程池,这和在Executor中通过线程池执行Task有异曲同工之妙;

          2,有可能设置了Job的FAIR公平调度的方式,这个时候也需要多线程的支持;


整体的工作流程图可以概括如下:

wKiom1cquLygGZFEAACYDmcI9sY936.png


二 整个Spark Streaming的容错机制是基于RDD的容错机制

主要表现为:

1、checkpoint

2、基于血统(lineage)的高度容错机制

3、出错了之后会从出错的位置从新计算,而不会导致重复计算等方式

这是Spark Streaming的设计的精妙之一


参考博客:http://my.oschina.net/corleone/blog/669520


备注:

资料来源于:DT_大数据梦工厂(IMF传奇行动绝密课程)-IMF

更多私密内容,请关注微信公众号:DT_Spark

如果您对大数据Spark感兴趣,可以免费听由王家林老师每天晚上20:00开设的Spark永久免费公开课,地址YY房间号:68917580

Life is short,you need to Spark.