本期内容：
1 解密Spark Streaming Job架构和运行机制
2 解密Spark Streaming 容错架构和运行机制
- 一切不能进行实时流处理的数据都是无效的数据。在流处理时代，SparkStreaming有着强大吸引力，而且发展前景广阔，加之Spark的生态系统，Streaming可以方便调用其他的诸如SQL，MLlib等强大框架，它必将一统天下。
Spark Streaming运行时与其说是Spark Core上的一个流式处理框架，不如说是Spark Core上的一个最复杂的应用程序。如果可以掌握Spark streaming这个复杂的应用程序，那么其他的再复杂的应用程序都不在话下了。这里选择Spark Streaming作为版本定制的切入点也是大势所趋。
本节课通过从job和容错的整体架构上来考察Spark Streaming的运行机制。
第一部分通过案例透视Job的执行过程，案例代码如下：
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
*/
val conf = new SparkConf() //创建SparkConf对象
conf.setAppName("OnlineForeachRDD") //设置应用程序的名称
// 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
}
}
}
ssc.start()
ssc.awaitTermination()
}
}
案例解析
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。
第二部分：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。
备注：
资料来源于：DT_大数据梦工厂（Spark发行版本定制）
更多私密内容，请关注微信公众号：DT_Spark
如果您对大数据Spark感兴趣，可以免费听由王家林老师每天晚上20：00开设的Spark永久免费公开课，地址YY房间号：68917580