Spark定制班第29课：深入理解Spark 2.x中的Structured Streaming内幕

本期内容：

1. 新型的Spark Streaming思维

2. Structured Streaming内幕

Spark 2.0 仍有bug，不适合于生成环境。只用于测试。

Spark 2.X提出了continuous application（连续的应用程序）的概念，非常重大。

如图例所示，数据通过Kafka流进来，经过ETL，

SS把数据看成一张表。一张没有边际的表、

Eventtime，事件触发器，以后再展开来分析。通过JDBC访问数据。

多个query并行运行。

官方说2.0的正式版本并没有在线机器学习功能了。

快速的、容错的、exactly-once，有状态的流处理。不用清楚底层的流是怎么回事。

delta input： 增量更新。有更新的部分时，才更新。

从物理级别看的内容：

StructureStreaming基于DataSet、DataFrame，没有涉及DStream了。没有数据收集过来再处理这样的概念，数据就一直在了。

上例中将两个dataset进行join操作，更符合RDD的API，不需要foreachRDD后门了。

API级别的很大优势。

默认情况下，DataSet、DataFrame是static bounded data，流处理是streaming unbounded data。API把两者融合了。

可以认为Planner是一个翻译器或路由器，基于DataFrame和DataSet代码来决定是否走Spark SQL的UnResult、Result Logic Plan、Optimized Logic Plan等，编码者不需要关心这些东西了。

Spark会走向完全实时的时代。所有的机器学习、图计算都应该在流数据上进行计算。