Spark Streaming 读书笔记

Spark Streaming工作原理：
Spark Streaming接收实时输入数据流并将数据分成批，然后由Spark引擎处理，以批量生成最终结果流。
Spark Streaming提供了一个高层抽象Dstream，表示连续的数据流。
DStream可以通过Kafka，Flume和Kinesis等来源的输入数据流创建，也可以通过在其他DStream上应用高级操作来创建
在内部，DStream表示为RDD序列，所有的DStream操作最终都会转化成为RDD操作
DStream与RDD类似的基础属性：
1.依赖其他的DStream列表
2.生成RDD的时间间隔
3.compute计算函数：用于生成RDD,和RDD的compute类似

Spark Streaming的Maven依赖：

org.apache.spark
spark-streaming_2.11
2.3.1

自Kafka，Flume,Kinesis 中获取数据源(不支持SparkStreaming的核心API),需要添加对应的扩展依赖spark-streaming-xyz_2.11 

初始化StreamingContext

StreamingContext 是所有SparkStreaming 程序的入口

    val conf = new SparkConf().setAppName(appName).setMaster(master)
    val ssc = new StreamingContext(conf,Seconds(batch))

    StreamingContext 由SparkConf创建，在非交互式环境下，appName参数是应用程序在集群UI上显示的名称
    master是一个Spark、Mesos或YARN cluster URL，或一个在本地模式下运行的特殊“local[*]”字符串

    批处理间隔必须根据应用程序和可用集群资源的延迟要求来设置

    在定义上下文之后，
        通过创建输入DStream来定义输入源，在使用数据源时，应注意数据源的可靠性，比如Kafka，
            3种输入DStream：
                1.基本型：由StreamingContext的API直接提供，文件系统（textFileStream)、Socket、Akka actor等
                    textFileStream接收Hdfs目录作为参数，spark实时监控该目录，以为文件为单位。
                        要求：1.格式相同 2.不支持递归读取 3.文件以原子方式进入 4.文件只会被读取一次，修改的内容不会被重新读取
                2.高级型: 依赖额外的库实现，Kafka,Flume等，在编译时需要设置依赖，并打包
                3.自定义：用户自定义并编码实现
        通过Transformation和output操作应用于DStream来定义流式计算。
            Transformation操作,类似于RDD的Transformation操作
                特殊操作：
                    1.transform:提供了直接操作DStream内部RDD的方法
                    2.updateStateByKey:特有的状态更新方法，使用该方法必须配置检查点目录
            output操作，类似于RDD的Action操作
        开始接收数据并使用它进行处理streamingContext.start()。
        等待处理停止（手动或由于任何错误）使用streamingContext.awaitTermination()。
        处理可以使用手动停止streamingContext.stop()
窗口(window)操作：
    任何窗口操作都需要指定两个参数:1.窗口长度(窗口的持续时间):windowLength 2.滑动间隔(执行窗口操作的时间间隔):slideInterval
    常用窗口操作：
        window(windowLength,slideInterval)
        countByWindow(windowLength,slideInterval)
        reduceByWindow（func，windowLength，slideInterval）
        reduceByKeyAndWindow（func，windowLength，slideInterval，[ numTasks ]）
        reduceByKeyAndWindow（func，invFunc，windowLength，slideInterval，[numTasks ）:仅适用于可逆减少函数，且必须启动检查点才可以使用
        countByValueAndWindow（windowLength， slideInterval，[ numTasks ]）
join操作：
    1.stream-stream-join：
        相同批次间隔，stream1产生的RDD可以和stream2产生的RDD实现join，窗口也可以
            val windowedStream1 = stream1.window(Seconds(20))
            val windowedStream2 = stream2.window(Minutes(1))
            val joinedStream = windowedStream1.join(windowedStream2)
    2.stream-dataset joins
        动态地改变加入的数据集。transform是评估每批间隔,因此将使用当前数据集和数据集参考点
            val dataset: RDD[String, String] = ...
            val windowedStream = stream.window(Seconds(20))...
            val joinedStream = windowedStream.transform { rdd => rdd.join(dataset) }
Output操作：
    将DStream结果输出至外部系统
        print():打印每个RDD的前num成员，默认num=10
        saveAsTextFiles(prefix,[suffix])：保存为文本文件，或者HDFS；格式为prefix-XXXX[.suffix]
        saveAsObjectFiles(prefix,[suffix]):保存为sequenceFile格式
        saveAsHadoopFiles(prefix, [suffix])：保存为Hadoop文件
        foreachRDD(func)：传入一个函数，直接作用在RDD上
            func 是在调用Spark流式计算程序的Driver进程中执行的，但是func一般会调用RDD的Action操作，是在worker中执行的
            使用要求：至少要包含一个RDD的Action调用，因为Spark Streaming的调度是由output方法触发的，每个周期调用一次所有定义的output方法，output内部调用RDD的Action操作完成计算，否则程序只会接收数据而不会计算
缓存和持久化：持久化级别：内存
    调用persist()可以把DStream及包含的RDD全部缓存到内存中
    网络来源数据（Kafka,Flume等）默认持久化级别是复制到两个节点，确保容错

Spark Streaming 容错：
RDD的容错机制：通过线性链条的形式记录RDD从创建开始，中间每一步的计算过程，错误恢复就是重新计算
Spark 通过具有容错处理的文件系统实现数据存储的容错，但是不适合Spark Streaming，Spark Streaming的数据会默认存储两份，在两个节点上，所以错误时会有两类数据需要恢复：
1.刚收到已经被缓存，但是还没有复制到其他节点的数据：在数据源重新获取
2.收到了且已经复制到其他节点的数据：通过备份节点恢复
可能发生的错误类型：
worker节点失效：内存中所有的数据都会丢失且无法恢复
Driver节点失效：SparkContext失效，Spark Streaming失效，所有附属执行节点都会退出，内存数据全部丢失
容错保障：通过数据计算次数定义：
至多一次
到少一次
精准一次：最佳容错保障

数据接收----> 数据计算 ----> 结果输出
数据接收容错：
    不同数据源提供不同的容错保障：HDFS等自带容错的文件系统：精准一次
                                  1.3以后的Kafka Direct API：精准一次
                                  其他的场景：视接收机制是否有确认机制和是否开启WAL而不同
数据计算：transformation计算：因为RDD的容错，可以实现精准一次
output容错：output本身提供至少一次的容错保障，当输出为文件时，重复数据会覆盖，可以实现精准一次，其他场景，需要使用额外方法实现精准一次：事务更新：更新时带上事务信息，确保更新只进行一次，避免重复，实现精准一次
检查点：
    调用有状态的Transformation操作必须启动checkpoint功能，updateStateByKey或者reduceByKeyAndWindow
    Driver程序自动重启时也使用检查点，启动后创建streamingContext时检查下检查点目录，存在则恢复，不存在则新建
        val ssc = StreamingContext.getOrCreate

    使用检查点会降低吞吐量，增加批次的计算时间

性能调优：
1.减少批处理的时间：数据接收的并发量：分成多个Input DStream，然后再聚合；数据计算的并发量：调整spark.default.parallelism参数； 数据序列化
2.合理的批次间隔时间
3.内存调优：DStream持久化级别；清理历史数据；CMS垃圾回收