Spark(五) --一文带你了解Streaming核心原理

第一章 Spark Streaming引入

1.1. 新的场景需求

思考一下下面这样的场景需求, 仅仅通过传统的批处理/离线处理/离线计算/处理历史数据可以完成吗?

● 商品推荐
京东和淘宝这样的商城在购物车, 商品详情等地方都有商品推荐的模块
商品推荐的要求

• 快速的处理, 加入购物车以后就需要迅速的进行推荐

• 数据量大

• 需要使用一些推荐算法

  
  ●工业大数据
  现在的工场中, 设备是可以联网的, 汇报自己的运行状态, 在应用层可以针对这些数据来分析运行状况和稳健程度, 展示工件完成情况, 运行情况等
  工业大数据的需求

• 快速响应, 及时预测问题

• 数据是以事件的形式动态的产品和汇报

• 因为是运行状态信息, 且一般都是几十上百台机器, 所以汇报的数据量很大
  
  ●集群监控
  一般的大型集群和平台, 都需要对其进行监控
  监控的需求

• 要针对各种数据库, 包括 MySQL, HBase 等进行监控

• 要针对应用进行监控, 例如 Tomcat, Nginx, Node.js 等

• 要针对硬件的一些指标进行监控, 例如 CPU, 内存, 磁盘 等

• 这些工具的日志输出是非常多的, 往往一个用户的访问行为会带来几百条日志, 这些都要汇报, 所以数据量比较大

• 要从这些日志中, 聚合系统运行状况
  
  ● 还有很多很多
  
  
  
  
  

1.2. Spark Streaming介绍

1. 官网
   http://spark.apache.org/streaming/
   

2. 概述
   Spark Streaming是一个基于Spark Core之上的实时计算框架，可以从很多数据源消费数据并对数据进行实时的处理，具有高吞吐量和容错能力强等特点。
   

3. Spark Streaming的特点
   1.易用
   
   可以像编写离线批处理一样去编写流式程序，支持java/scala/python语言。

   2.容错
   
   SparkStreaming在没有额外代码和配置的情况下可以恢复丢失的工作。

   3.易整合到Spark体系
   
   流式处理与批处理和交互式查询相结合。

1.3. 实时计算所处的位置

第二章 Spark Streaming原理

2.1. Spark基本原理

一个应用Application由一个任务控制节点Driver和若干个作业Job构成，一个作业由多个阶段Stage构成，一个阶段由多个任务Task组成TaskSet。
当执行一个应用时，任务控制节点会向集群管理器ClusterManager申请资源，启动Executor，并向Executor发送应用程序代码和文件，然后在Executor上执行task。

2.2. SparkStreaming原理

2.2.1. 整体流程

Spark Streaming中，会有一个接收器组件Receiver，作为一个长期运行的task跑在一个Executor上。Receiver接收外部的数据流形成input DStream
DStream会被按照时间间隔划分成一批一批的RDD，当批处理间隔缩短到秒级时，便可以用于处理实时数据流。时间间隔的大小可以由参数指定，一般设在500毫秒到几秒之间。
对DStream进行操作就是对RDD进行操作，计算处理的结果可以传给外部系统。
Spark Streaming的工作流程像下面的图所示一样，接受到实时数据后，给数据分批次，然后传给Spark Engine处理最后生成该批次的结果。

2.2.2. 数据抽象

Spark Streaming的基础抽象是DStream(Discretized Stream，离散化数据流，连续不断的数据流)，代表持续性的数据流和经过各种Spark算子操作后的结果数据流
可以从以下多个角度深入理解DStream。

• 1.DStream本质上就是一系列时间上连续的RDD
  
• 2.对DStream的数据的进行操作也是按照RDD为单位来进行的

• 3.容错性

  • 每一个椭圆形表示一个RDD
  • 椭圆形中的每个圆形代表一个RDD中的一个Partition分区
  • 每一列的多个RDD表示一个DStream(图中有三列所以有三个DStream)
  • 每一行最后一个RDD则表示每一个Batch Size所产生的中间结果RDD
    

• 4.准实时性/近实时性
  Spark Streaming将流式计算分解成多个Spark Job，对于每一时间段数据的处理都会经过Spark DAG图分解以及Spark的任务集的调度过程。
  对于目前版本的Spark Streaming而言，其最小的Batch Size的选取在0.5~5秒钟之间
  所以Spark Streaming能够满足流式准实时计算场景，对实时性要求非常高的如高频实时交易场景则不太适合

• 总结
  简单来说DStream就是对RDD的封装，你对DStream进行操作，就是对RDD进行操作
  对于DataFrame/DataSet/DStream来说本质上都可以理解成RDD
  

2.3. DStream相关操作

DStream上的操作与RDD的类似，分为以下两种：
Transformations(转换)
Output Operations(输出)/Action

2.3.1. Transformations

● 常见Transformation—无状态转换：每个批次的处理不依赖于之前批次的数据

Transformation	Meaning
map(func)	对DStream中的各个元素进行func函数操作，然后返回一个新的DStream
flatMap(func)	与map方法类似，只不过各个输入项可以被输出为零个或多个输出项
filter(func)	过滤出所有函数func返回值为true的DStream元素并返回一个新的DStream
union(otherStream)	将源DStream和输入参数为otherDStream的元素合并，并返回一个新的DStream.
reduceByKey(func, [numTasks])	利用func函数对源DStream中的key进行聚合操作，然后返回新的(K，V)对构成的DStream
join(otherStream, [numTasks])	输入为(K,V)、(K,W)类型的DStream，返回一个新的(K，(V，W)类型的DStream
transform(func)	通过RDD-to-RDD函数作用于DStream中的各个RDD，可以是任意的RDD操作，从而返回一个新的RDD

● 特殊的Transformations—有状态转换：当前批次的处理需要使用之前批次的数据或者中间结果。
有状态转换包括基于追踪状态变化的转换(updateStateByKey)和滑动窗口的转换
1.UpdateStateByKey(func)
2.Window Operations 窗口操作

2.3.2. Output/Action

Output Operations可以将DStream的数据输出到外部的数据库或文件系统
当某个Output Operations被调用时，spark streaming程序才会开始真正的计算过程(与RDD的Action类似)

Output Operation	Meaning
print()	打印到控制台
saveAsTextFiles(prefix, [suffix])	保存流的内容为文本文件，文件名为"prefix-TIME_IN_MS[.suffix]".
saveAsObjectFiles(prefix,[suffix])	保存流的内容为SequenceFile，文件名为 “prefix-TIME_IN_MS[.suffix]”.
saveAsHadoopFiles(prefix,[suffix])	保存流的内容为hadoop文件，文件名为"prefix-TIME_IN_MS[.suffix]".
foreachRDD(func)	对Dstream里面的每个RDD执行func

2.4. 总结