spark发行版笔记9

感谢DT大数据梦工厂支持提供技术支持，DT大数据梦工厂专注于Spark发行版定制。

本期概览：

1 Receiver生命全周期

首先，我们找到数据来源的入口，入口如下

Receiver的设计是极其巧妙的。它的设计非常的出色，很多的地方都值得我们认真的学习。

在深入认识Receiver之前，我们有必要思考一下，假如没有spark，我们可以尝试思考一下，Receiver不断的接受输入进来的数据，如果是我们来做，我们该怎么做？该怎么启动Receiver呢？

我们尝试从以下几个方向来假设思考。

方式如下所示

Receiver是应用程序启动的一部分，我们启动Receiver的时候，Receiver与InputStream是一一对应的。假如我们启动多个Receiver,一个partition有多条一条数据是没有关系的。但是这里有一个问题，从资源调度的角度看，有可能从一台机器上启动多个Receiver,从而导致负载不均衡，同时也有可能导致Receiver启动失败。因为RDD不同的分片对应不同的分片。在不同的机器上有可能Executor失败，导致任务失败。

我们要要求，只要我们的集群在运行，我们的Receiver就要正常运行。如果Receiver不正常运行，就导致整个集群任务不能执行，这是不可以接受的。

因此，我们的这俩个假设都不可行，可行的办法是，Receiver可以失败，但是不能影响Job的正常运行。Receiver失败后一定会容错，最终一定会成功运行，那么我们来看spark官方是怎么做这么一个巧妙的Receiver的容错性能的。

其实我们可以认为InputStreams与Receivers是一一对应的。

不过，这样可能导致负载不均衡，因为Receiver在不同的机器上。另外Receiver启动可能失败。

至今，我们仍然没有看到启动Receiver的代码，那么启动它的代码在哪呢？

然后接下来就是启动Receiver的方法了

这个代码进一步证明了一个Receiver只有一个InputStream与之对应。

Driver层面决定在哪个Executor上执行Receiver

终止一个Receiver,意味着不用重新启动一个JOB

Receiver start不会重试

为了启动Receiver,启动了一个spark作业

下面一个问题很重要：

这里要启动一个作业，这个作业是每个Receiver都启动一个Job,还是多个Receiver启动一个Job.循环启动每个Receiver,每个Receiver启动一个Job

这样，我们就解决了启动一个Task来启动Receiver的缺点，每个Receiver对应一个Job,对应一个任务。最大程度的避免负载不均衡，不会使得Receiver失败使得整个Job不能运行。另外对解决任务倾斜也有一定好处。

重新启动Receiver的时候会将不可用的Executor剪掉

这里设计得非常的美妙，能保证Receiver无论如何都能成功的启动

任务一旦失败，框架会装作若无其事的ReStartReceiver，可以说设计得天衣无缝。

线程池的方式并发启动Receiver,因为可能不同的Receiver接收来的数据是没有耦合的

到现在，我们视乎还有一团乌云没有解开，那就是决定Receiver具体在哪些机器上，代码如下

最后研究的一行代码：保证Executor活着（默认50个线程，20个并发度），作为一个SparkStreaming应用程序，超过50个数据来源的可能性不大。