Spark Streaming运行流程及源码解析（一）

本系列主要描述Spark Streaming的运行流程，然后对每个流程的源码分别进行解析

之前总听同事说Spark源码有多么棒，咱也不知道，就是疯狂点头。今天也来撸一下Spark源码。

对Spark的使用也就是Spark Streaming使用的多一点，所以就拿Spark Streaming开涮。

源码中的一些类

这里先列举一些源码中的类，大家先预热一下。

StreamingContext：这是Spark Streaming程序的入口，提供了运行时上下文环境

DStream：是RDD在Spark Streaming中的实现，是连续的RDD（相同类型）序列，表示连续的数据流

JobScheduler：生成和调度job

DStreamGraph：保存DStream之间的依赖关系

JobGenerator：根据DStream依赖生成job

ReceiverTracker：Driver端用于管理ReceiverInputDStreams执行的管家

EventLoop：一个事件循环，用于接收来自调用方的事件并处理事件线程中的所有事件。它将启动一个专用事件线程来处理所有事件。内部使用LinkedBlockingDeque实现。

RecurringTimer：相当于一个定时器，定时执行某个函数

ReceiverSupervisor：Executor端管理Receiver的管家

Receiver：在Executor节点上运行以接收外部数据。

InputDStream：接收外部数据

ReceiverInputDStream：用于定义必须在工作节点上启动接收器以接收外部数据的类，可以通过它获得Receiver

BlockGenerator：根据时间间隔将接收到的数据生成块

RpcEndpoint：RPC终端点，Spark Streaming中使用Netty进行RPC通信

ReceiverTrackerEndpoint：Driver端的ReceiverTracker终端，用于和Receiver通信

运行流程

Spark Streaming运行时由Driver和Executor相互协调完成。

Driver端创建StreamingContext，其中包含了DStreamGraph和JobScheduler（它又包括了ReceiverTracker和JobGenerator），Driver主要负责生成调度job、与execuor进行交互、指导工作。

Eexcutor主要有ReceiverSupervisor、Receiver、BlockManager、BlockGenerator，Executor负责数据的接收和存储、任务的执行。

以下是Spark Streaming运行架构图，可以先大致看一下，等待会看完运行流程再回来看一遍。

从接收数据到处理完成具体可划分为以下四步：

启动流处理引擎

创建并启动StreamingContext对象，其中维护了DStreamGraph和JobScheduler实例。

DStreamGraph用来定义DStream，并管理他们的依赖关系。

JobScheduler用来生成和调度job，其中维护了ReceiverTracker和JobGenerator实例。

ReceiverTracker是Driver端的Receiver管理者，负责在Executor中启动ReceiverSupervisor并与之通信，ReceiverSupervisor会启动Receiver进行接收消息。

JobGenerator用来生成Job。

每个实例都各司其职，在启动时都会调用其start方法，开始运转。

接收并存储数据

Executor端的Receiver启动后不断的接收消息，并调用其store()方法将数据存储。

store方法最终会调用ReceiverSupervisorImpl.pushAndReportBlock()将数据进行存储，并汇报给Driver端的ReceiverTrackerEndpoint。

这里有一个重要的类：BlockGenerator，其使用ArrayBuffer对接收到的单条数据进行暂存。

BlockGenerator还有一个定时器，按批处理间隔定时将ArrayBuffer中的数据封装为Block，并将Block存到一个ArrayBlockingQueue队列中。

BlockGenerator中还启动了一个线程从ArrayBlockingQueue中取出Block，调用ReceiverSupervisorImpl.pushAndReportBlock()进行存储，并与Driver端汇报。

处理数据

处理数据就是生成job、执行job。

首先在JobGenerator中维护了一个定时器，每当批处理间隔到达时，发起GenerateJobs指令，调用generateJobs生成&执行job。

generateJobs方法中会让ReceiverTracker分配本批次对应的数据，然后让DStreamGraph根据DStream的依赖生成job；job生成成功的话会调用submitJobSet提交执行job，然后执行job。

我们编写的业务处理代理代码，会在生成job时作为参数参进去。

输出数据

job执行后会根据我们写的代码执行输出。

end...

至此，就大致梳理了一下整体流程。

接下来再详细的撸一下每一步的源码。

Spark Streaming源码运行流程解析

reference

《图解Spark核心技术与案例实战》，首先推荐一下这本书，对于理解Spark有很大帮助。

https://www.cppentry.com/bencandy.php?fid=116&id=209107，这个是Spark Streaming源码解析的系列文章，讲的也很清晰

http://ddrv.cn/a/250847 Spark Streaming运行架构图来源

个人公众号：码农峰，定时推送行业资讯，持续发布原创技术文章，欢迎大家关注。