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

一 首先我们运行以下的程序,然后通过这个程序的运行过程进一步加深理解Spark Streaming流处理的Job的执行的过程,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("OnlineForeachRDD") //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

    conf.setMaster("local[6]")

    //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(5))

 

 

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

 

    val words = lines.flatMap(_.split(" "))

    val wordCounts = words.map(x => (x, 1)).reduceByKey(_ + _)

    wordCounts.foreachRDD { rdd =>

      rdd.foreachPartition { partitionOfRecords => {

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

        val connection = ConnectionPool.getConnection()

        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

 

      }

 

      }

    }

 

 

    /**

      * 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

      * 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DStreamGraph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;

      *

      */

    ssc.start()

    ssc.awaitTermination()

 

  }

}

二:从容错架构的角度透视Spark Streaming


  我们知道DStream与RDD的关系就是随着时间流逝不断的产生RDD,对DStream的操作就是在固定时间上操作RDD。所以从某种意义上而言,Spark Streaming的基于DStream的容错机制,实际上就是划分到每一次形成的RDD的容错机制,这也是Spark Streaming的高明之处。

RDD作为 分布式弹性数据集,它的弹性主要体现在:

  1.自动的分配内存和硬盘,优先基于内存


  2.基于lineage容错机制


  3.task会指定次数的重试


  4.stage失败会自动重试


  5.checkpoint和persist 复用


  6.数据调度弹性:DAG,TASK和资源管理无关。


  7.数据分片的高度弹性


  基于RDD的特性,它的容错机制主要就是两种:一是checkpoint,二是基于lineage(血统)的容错。一般而言,spark选择血统容错,因为对于大规模的数据集,做检查点的成本很高。但是有的情况下,不如说lineage链条过于复杂和冗长,这时候就需要做checkpoint。


  考虑到RDD的依赖关系,每个stage内部都是窄依赖,此时一般基于lineage容错,方便高效。在stage之间,是宽依赖,产生了shuffle操作,这种情况下,做检查点则更好。总结来说,stage内部做lineage,stage之间做checkpoint。