贯通Spark Streaming流计算框架的运行源码

本章节内容：

一、在线动态计算分类最热门商品案例回顾

二、基于案例贯通Spark Streaming的运行源码

先看代码（源码场景：用户、用户的商品、商品的点击量排名，按商品、其点击量排名前三）：

package com.dt.spark.sparkstreaming

import org.apache.spark.SparkConf

import org.apache.spark.sql.Row

import org.apache.spark.sql.hive.HiveContext

import org.apache.spark.sql.types.{IntegerType, StringType, StructField, StructType}

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

/**

* 使用Spark Streaming+Spark SQL来在线动态计算电商中不同类别中最热门的商品排名，例如手机这个类别下面最热门的三种手机、电视这个类别

* 下最热门的三种电视，该实例在实际生产环境下具有非常重大的意义；

* @author DT大数据梦工厂

* 新浪微博：http://weibo.com/ilovepains/

*   实现技术：Spark Streaming+Spark SQL，之所以Spark Streaming能够使用ML、sql、graphx等功能是因为有foreachRDD和Transform

* 等接口，这些接口中其实是基于RDD进行操作，所以以RDD为基石，就可以直接使用Spark其它所有的功能，就像直接调用API一样简单。

*  假设说这里的数据的格式：user item category，例如Rocky Samsung Android

*/

object OnlineTheTop3ItemForEachCategory2DB {

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("OnlineTheTop3ItemForEachCategory2DB") //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))

ssc.checkpoint("/root/Documents/SparkApps/checkpoint")

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

val formattedUserClickLogsDStream = userClickLogsDStream.map(clickLog =>

(clickLog.split(" ")(2) + "_" + clickLog.split(" ")(1), 1))

val categoryUserClickLogsDStream =

//窗口的总长度是60秒，每隔20秒滑动一次，应该在过去60秒的总长度加上新的20秒，在新的结果基础上减去20秒

formattedUserClickLogsDStream.reduceByKeyAndWindow(_+_,_-_, Seconds(60), Seconds(20))

categoryUserClickLogsDStream.foreachRDD { rdd => {

if (rdd.isEmpty()) {//判断RDD是否为空

println("No data inputted!!!")

} else {

val categoryItemRow = rdd.map(reducedItem => {

val category = reducedItem._1.split("_")(0)

val item = reducedItem._1.split("_")(1)

val click_count = reducedItem._2

Row(category, item, click_count)

})

val structType = StructType(Array(

StructField("category", StringType, true),

StructField("item", StringType, true),

StructField("click_count", IntegerType, true)

))

//生产环境下注意用hiveContext，其继承了SparkContext所有功能

val hiveContext = new HiveContext(rdd.context)

val categoryItemDF = hiveContext.createDataFrame(categoryItemRow, structType)

categoryItemDF.registerTempTable("categoryItemTable")

val reseltDataFram = hiveContext.sql("SELECT category,item,click_count FROM (SELECT category,item,click_count,row_number()" +

" OVER (PARTITION BY category ORDER BY click_count DESC) rank FROM categoryItemTable) subquery " +

" WHERE rank <= 3")

reseltDataFram.show()

val resultRowRDD = reseltDataFram.rdd

resultRowRDD.foreachPartition { partitionOfRecords => {

if (partitionOfRecords.isEmpty){

println("This RDD is not null but partition is null")

} else {

val connection = ConnectionPool.getConnection()  // ConnectionPool is a static, lazily initialized pool of connections

partitionOfRecords.foreach(record => {

val sql = "insert into categorytop3(category,item,client_count) values('" + record.getAs("category") + "','" +

record.getAs("item") + "'," + record.getAs("click_count") + ")"

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()

}

}

演示源代码效果

启动Hive服务：

启动应用程序：

webui控制台监控运行情况：

如果报错的话是数据源没有链接上，需要启动nc –lk 9999即可：

查看运行结果：

以local模式运行的话刷新local的History-server webui界面：

Local的模式，所有任务都在driver上运行：

使用了reduceByKeyAndWindow窗口滑动操作，需要对窗口输出结果聚合：

源码分析

1. 创建sparkConf的配置。
2. 创建实例StreamingContext

进入StreamingContext内部构造函数需要传入master、appname、batchDuration等参数；关键点createNewSparkContext对象，这说明StreamingContext构建是通过再其内部会构建SparkContext，通过sparkConf构建SparkConcoxt，进一步说明SparkStreaming是SparkCore上的一个应用程序。用户编写SparkStreaming应用程序在StreamingContext内部会构建SparkConcoxt。

看下val userClickLogsDStream = ssc.socketTextStream("Master", 9999)源码，创建一个DStream输入流即socketinputDSteam：

有了DStream后可以基于Receiver接收数据，Receiver内部的onStart方法开启run线程来调用Receiver方法连接上socket：

在Receiver方法中new Socket对象，并根据应用程序业务代码指定的host、port进行接收inputStream输入数据，将接收到的数据不断一条一条循环进行Store：

再看业务逻辑代码的一系列transformation，从SparkStreaming框架角度来讲不是很重要，因为这些代码是你自己的业务逻辑，不是框架代码，在研究源码时暂时放在一边：

接下来很重要的一步就是SparkStreaming的start方法，看下这个方法的描述：

/**

* 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，然后通过ReceiverSupervisor启动Receiver），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；

*/

我们再深入看看InputDStream源码，业务代码通过StreamingContext对象的socketTextStream方法创建了SocketStream对象：

通过SocketStream对象创建了SocketInputDStream对象，返回的是ReceiverInputDStream类型：

进入ReceiverInputDStream抽象类，其继承了InputDStream类：

在进入InputDStream抽象类，其继续继承了DStream（其实就是RDD的模板）：

进入DStream抽象类，其只是在RDD的基础上进行简单的封装，就是RDD的模板而已，DStream有以下特征：

1. DStream依赖其他的DStreams
2. 依赖DStream模板构建出RDD之间的依赖
3. 基于DStream它会有一个function，function被用来基于batchDuration或batchIntval时间片生成RDD，这个和定时器有关系
4. DStream是RDD的模板，DStream上的很多操作转过来其实是对RDD的操作

看下DStream的继承结构如下（刚才我们看到的InputDStream也在继承的里面）:

InputDStream注释：所有DStream的子类，其提供start和stop方法，当SparkStreaming系统启动和停止接收数据的时候会被调用，刚才看到具体子类SocketTextStream里面具体的start和stop方法提供其回调：

InputDStream对应的子类的start和stop方法被ReceiverSupervisor的start和stop方法回调。

继续看ReceiverInputDStream类的子类，其中有SocketInputDStream类，此类只实现了getReceiver方法：

在看看DStream整个继承结构中，发现有一个ForeachDStream类，在ForeachDStream中会产生作业，里面新建了一个job，DStream级别的action操作都会有foreachDStream的产生，会被的generatorJob调用，当然新建的job会产生基于function操作，实际上是你自己写的业务逻辑function：

ForeachDStream类中关键代码generatorRDD根据时间间隔（batchInterval或batchDuration）生成相应的RDD和RDD的操作，我们对DStream的操作反过来作用于RDD的操作，DStream的本质就是按照时间的序列存储的一系列数据流，因为RDD中存储的就是batchDuration时间片的数据：

如果要扩展SparkStreaming源码，注意和SparkStreaming包名一致才可以访问其源码。

继续看代码，看到getOrCompute方法，因为其作用于DStream，这个方法很关键，根据指定的时间获得RDD，如果缓存中有的话可根据指定时间从缓存中获取数据：

DStream类的getOrCompute的操作是生成RDD，其实DStream是rdd的模板，对DStream的getOrCompute操作实际上触发运行generatorRDDs，并将生成的RDD放在HashMap中：

所以通过socketTextStream代码，最终获得输入流socketInputDStream的Receiver 在集群上抓取数据：

通过socketReceiver从网络上获取流数据，这样就将网络上的离散流数据以HashMap的方式存储起来了：

源码说的非常清楚：

　　假如说一万年的话每秒一个单位，这就是离散流，用每秒对一万年进行切分，切成一片一片，切开后就叫离散，离散之间没什么关系。

SparkStreaming整体架构图初见：

Spark发行版笔记5

新浪微博：http://weibo.com/ilovepains

微信公众号：DT_Spark

博客：http://blog.sina.com.cn/ilovepains

手机：18610086859

QQ：1740415547

邮箱：18610086859@vip.126.com