通过案例对 spark streaming 透彻理解三板斧之三：spark streaming运行机制与架构

本期内容：

　　1. Spark Streaming Job架构与运行机制

　　2. Spark Streaming 容错架构与运行机制

　　事实上时间是不存在的，是由人的感官系统感觉时间的存在而已，是一种虚幻的存在，任何时候宇宙中的事情一直在发生着的。

　　Spark Streaming好比时间，一直遵循其运行机制和架构在不停的在运行，无论你写多或者少的应用程序都跳不出这个范围。

import org.apache.spark.SparkConf
import org.apache.spark.streaming.{Seconds, StreamingContext}

/**
  * 使用Scala开发集群运行的Spark 在线黑名单过滤程序
  * 背景描述：在广告点击计费系统中，我们在线过滤掉黑名单的点击，进而保护广告商的利益，只进行有效的广告点击计费
  * 或者在防刷评分（或者流量）系统，过滤掉无效的投票或者评分或者流量；
  * 实现技术：使用transform Api直接基于RDD编程，进行join操作
　*
  */
object OnlineForeachRDD2DB {
  def main(args: Array[String]){
    /**
      * 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 => {
        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
      }
      }
    }
    ssc.start()
    ssc.awaitTermination()
  }
}

一.   通过案例透视Job执行过程的Spark Streaming机制解析，案例代码如下：

　　通过运行以上代码对Job运行机制进行解析：

　　　　1.  首先通过StreamingContext调用start方法，其内部再启动JobScheduler的Start方法，进行消息循环；

　　　　2.  在JobScheduler的start内部会构造JobGenerator和ReceiverTacker；

　　　　3.  然后调用JobGenerator和ReceiverTacker的start方法执行以下操作：

　　　　01.  JobGenerator启动后会不断的根据batchDuration生成一个个的Job ；

　　　　02.  ReceiverTracker启动后首先在Spark Cluster中启动Receiver（其实是在Executor中先启动ReceiverSupervisor）；

　　　　4.  在Receiver收到数据后会通过ReceiverSupervisor存储到Executor ；

　　　　5.  同时把数据的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；

　　　　6.  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；

　　　　7.  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，在线程中基于RDD的Action触发作业的运行；

　　　　8.  由于流处理过程中作业不断生成，为了提升效率，可以使用线程池。同时有可能设置了Job的FAIR公平调度的方式，也需要多线程的支持；

　　

 二.  从容错架构的角度透视Spark Streaming 运行机制：

　　Spark Streaming是基于DStream的容错机制，DStream是随着时间流逝不断的产生RDD，也就是说DStream是在固定的时间上操作RDD，容错会划分到每一次所形成的RDD。

　　Spark Streaming的容错包括 Executor 与  Driver两方面的容错机制 ：

　　1.  Executor 容错：

　　　　01.  数据接收：分布式方式、wal方式，先写日志再保存数据到Executor

　　　　02. 任务执行安全性 Job基于RDD容错 ：

　　2. Driver容错 ： checkpoint 。

　　基于RDD的特性，它的容错机制主要就是两种：

　　　　01.  基于checkpoint；

　　　　　　在stage之间，是宽依赖，产生了shuffle操作，lineage链条过于复杂和冗长，这时候就需要做checkpoint。

　　　　02.  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。

　　　　　　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。

　　总结： stage内部做lineage，stage之间做checkpoint。