Spark定制班第1课：通过案例对Spark Streaming透彻理解三板斧之一：解密Spark Streaming另类实验及Spark Streaming本质解析

       从今天起，我们踏上了新的Spark学习旅途。我们的目标是要像Spark官方机构那样有能力去定制Spark。

       我们最开始将从Spark Streaming入手。

       为何从Spark Streaming切入Spark定制？Spark的子框架已有若干，为何选择Spark Streaming？让我们细细道来。

       Spark最开始只有Spark Core，没有目前的这些子框架。这些子框架是构建于Spark Core之上的。没有哪个子框架能摆脱Spark Core。我们通过对一个框架的彻底研究，肯定可以领会Spark力量的源泉，并精通所有问题的解决之道。

       我们再看看目前的这些子框架。Spark SQL有太多语法，研究这些会太浪费精力。SparkR还没完善。Spark GraphX已无太多可改进之处，图计算相关的数学知识也不是目前重点。Spark MLlib中的机器学习也有太多算法是与数学相关，也不是做改进的好的选择 。所以我们选择了Spark Streaming。

       2015年是流式处理的一年。大家考虑用Spark，主要也是因为Spark Streaming。这是一个流处理的时代，一切数据如果与流式处理不相关的话，都是无效的数据。Spark之所以强悍的一个重要原因在于，它的流式处理可以在线使用图计算、机器学习或者SparkR的成果，这得益于Spark一体化、多元化的基础架构设计。也就是在Spark Streaming中可以调用其它子框架，无需任何设置。这是Spark的无可匹敌之处，也是Spark Streaming必将一统天下的根源。但Spark的应用中，Spark Streaming也是最容易出问题的。

       Spark Streaming与其它子框架不同之处在于，它更像是Spark Core之上的一个应用程序。所以如果要做Spark的定制开发，Spark Streaming则提供了最好的参考。你想掌握Spark Streaming，但你不去精通Spark Core的话，那是不可能的。所以我们选择Spark Streaming来提升自己，是找到了关键点。如果对照风水学的说法，我们已经幸运地找到了龙脉。如果要寻龙点穴，那么Spark Streaming就是龙穴之所在。找到了穴位，我们就能一日千里。

本期内容

1 Spark Streaming另类在线实验

2 瞬间理解Spark Streaming本质

1 Spark Streaming另类在线实验

       我们在研究Spark Streaming的过程中，会有困惑的事情：如何清晰的看到数据的流入、被处理的过程？

       使用一个小技巧，通过调节放大Batch Interval的方式，来降低批处理次数，以方便看清楚各个环节。

       我们从已写过的广告点击的在线黑名单过滤的Spark Streaming应用程序入手。

 package com.dt.spark.streaming

 import org.apache.spark.SparkConf
 import org.apache.spark.streaming.StreamingContext
 import org.apache.spark.streaming.Seconds

 object OnlineBlackListFilter {
     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，
        * 例如说通过setMaster来设置程序要链接的Spark集群的Master的URL，如果设置
        * 为local，则代表Spark程序在本地运行，特别适合于机器配置条件非常差（例如
        * 只有1G的内存）的初学者。
        */
       // 创建SparkConf对象
       val conf = new SparkConf()
       // 设置应用程序的名称，在程序运行的监控界面可以看到名称
       conf.setAppName("OnlineBlackListFilter")
       // 此时，程序在Spark集群
       conf.setMaster("spark://Master:7077")

       val ssc = new StreamingContext(conf, Seconds(30))

       /**
        * 黑名单数据准备，实际上黑名单一般都是动态的，例如在Redis或者数据库中，
        * 黑名单的生成往往有复杂的业务逻辑，具体情况算法不同，
        * 但是在Spark Streaming进行处理的时候每次都能够访问完整的信息。
        */
       val blackList = Array(("Spy", true),("Cheater", true))
       val blackListRDD = ssc.sparkContext.parallelize(blackList, 8)

       val adsClickStream = ssc.socketTextStream("Master", 9999)

       /**
        * 此处模拟的广告点击的每条数据的格式为：time、name
        * 此处map操作的结果是name、（time，name）的格式
        */
       val adsClickStreamFormatted = adsClickStream.map { ads => (ads.split(" ")(1), ads) }
       adsClickStreamFormatted.transform(userClickRDD => {
         // 通过leftOuterJoin操作既保留了左侧用户广告点击内容的RDD的所有内容，
         // 又获得了相应点击内容是否在黑名单中
         val joinedBlackListRDD = userClickRDD.leftOuterJoin(blackListRDD)

         /**
          * 进行filter过滤的时候，其输入元素是一个Tuple：（name,((time,name), boolean)）
          * 其中第一个元素是黑名单的名称，第二元素的第二个元素是进行leftOuterJoin的时候是否存在的值。
          * 如果存在的话，表明当前广告点击是黑名单，需要过滤掉，否则的话是有效点击内容；
          */
         val validClicked = joinedBlackListRDD.filter(joinedItem => {
           if(joinedItem._2._2.getOrElse(false))
           {
             false
           } else {
             true
           }

         })

         validClicked.map(validClick => {validClick._2._1})
       }).print

       /**
        * 计算后的有效数据一般都会写入Kafka中，下游的计费系统会从kafka中pull到有效数据进行计费
        */
       ssc.start()
       ssc.awaitTermination()

     }
 }

       把程序的Batch Interval设置从30秒改成300秒：

       val ssc = new StreamingContext(conf, Seconds(300))

       重新生成一下jar包 。

       Spark集群有5台机器：Master、Worker1、Worker2、Worker3、Worker4。

       启动Spark的History Server。

       打开数据发送的端口：

       nc -lk 9999

       用spark-submit运行前面生成的jar包。

       在数据发送端口输入若干数据，比如：

        1375864674543  Tom

        1375864674553  Spy

        1375864674571  Andy

        1375864688436  Cheater

        1375864784240  Kelvin

        1375864853892  Steven

        1375864979347  John

       打开浏览器，看History Server的日志信息：

       点击最新的应用，看我们目前运行的应用程序中有些什么Job：

        总共竟然有5个Job。这完全不是我们此前做Spark SQL之类的应用程序时看到的样子。

       我们接下来看一看这些Job的内容，主要揭示一些现象，不会做完全深入的剖析，只是为了先让大家进行一些思考。

       Job 0：此Job不体现我们的业务逻辑代码。这个Job是出于对后面计算的负载均衡的考虑。

       Job 0包含有Stage 0、Stage 1。随便看一个Stage，比如Stage 1。看看其中的Aggregated Metrics by Executor部分：

       发现此Stage在所有Executor上都存在。

       Job 1：运行时间比较长，耗时1.5分钟。

       点击Stage 2的链接，进去看看Aggregated Metrics By Executor部分：

       可以知道，Stage 2只在Worker4上的一个Executor执行，而且执行了1.5分钟。

       是否会觉得奇怪：从业务处理的角度看，我们发送的那么一点数据，没有必要去启动一个运行1.5分钟的任务吧。那这个任务是做什么呢？

       从DAG Visualization部分，就知道此Job实际就是启动了一个接收数据的Receiver：

       原来Receiver是通过一个Job来启动的。那肯定有一个Action来触发它。

       看看Tasks部分：

       只有一个Worker运行此Job。是用于接收数据。

       Locality Level是PROCESS_LOCAL，原来是内存节点。所以，默认情况下，数据接收不会使用磁盘，而是直接使用内存中的数据。

       看来，Spark Streaming应用程序启动后，自己会启动一些Job。默认启动了一个Job来接收数据，为后续处理做准备。

       重要启示：一个Spark应用程序中可以启动很多Job，而这些不同的Job之间可以相互配合。这一认识为我们写复杂Spark程序奠定了良好的基础。

       Job 2：看Details可以发现有我们程序的主要业务逻辑，体现在Stage 3、Stage 4、Stage 5中。

       我们看Stage 3、Stage 4的详情，可以知道这2个Stage都是用4个Executor执行的。所有数据处理是在4台机器上进行的。

       Stage 5只在Worker4上。这是因为这个Stage有Shuffle操作。

        Job3：有Stage 6、Stage 7、Stage 8。其中Stage 6、Stage 7被跳过。

       看看Stage 8的Aggregated Metrics by Executor部分。可以看到，数据处理是在4台机器上进行的：

   

       Job4：也体现了我们应用程序中的业务逻辑 。有Stage 9、Stage 10、Stage 11。其中Stage 9、Stage 10被跳过。

       看看Stage 11的详情。可以看到，数据处理是在Worker2之外的其它3台机器上进行的：

       综合以上的现象可以知道，Spark Streaming的一个应用中，运行了这么多Job，远不是我们从网络博客或者书籍上看的那么简单。

       我们有必要通过这些现象，反过来回溯去寻根问源。不过这次暂不做深入分析。

       我们的神奇之旅才刚刚开始。

2 瞬间理解Spark Streaming本质

       以上的连续4个图，分别对应以下4个段落的描述：

       Spark Streaming接收Kafka、Flume、HDFS和Kinesis等各种来源的实时输入数据，进行处理后，处理结果保存在HDFS、Databases等各种地方。

       Spark Streaming接收这些实时输入数据流，会将它们按批次划分，然后交给Spark引擎处理，生成按照批次划分的结果流。

       Spark Streaming提供了表示连续数据流的、高度抽象的被称为离散流的DStream。DStream本质上表示RDD的序列。DStream中的每个RDD都包含来自一个时间间隔的数据。

       Spark Streaming除了 使用数据源产生的数据流创建DStream，也可以在已有的DStream上使用一些操作来创建新的DStream。任何对DStream的操作都会转变为对底层RDD的操作。本图例子是对lines Dstream做了flatMap操作，生成words Dstream。

       在我们前面的实验中，每300秒会接收一批数据，基于这批数据会生成RDD，进而触发Job，执行处理。

       DStream是一个没有边界的集合，没有大小的限制。

       DStream代表了时空的概念。随着时间的推移，里面不断产生RDD。

       锁定到时间片后，就是空间的操作，也就是 对本时间片的对应批次的数据的处理。

       下面用实例来讲解数据处理过程。

       从Spark Streaming程序转换为Spark执行的作业的过程中，使用了DStreamGraph。

       Spark Streaming程序中一般会有若干个对DStream的操作。DStreamGraph就是由这些操作的依赖关系构成。

       从程序到DStreamGraph的转换，如以下图例所示：

       本例中，从每个foreach开始，都会进行回溯。从后往前回溯这些操作之间的依赖关系，也就形成了DStreamGraph。

        执行从DStream到RDD的转换，也就 形成了RDD Graph，如下图所示：

       空间维度确定之后，随着时间不断推进，会不断实例化RDD Graph，然后触发Job去执行处理。

       现在再去读官方的Spark Streaming的文档，就好理解多了。

       看来我们的学习，将从Spark Streaming的现象开始，深入到Spark Core和Spark Streaming的本质。

       正巧还在着手编写Spark Streaming源码剖析的书。有王家林这样的老师指引方向，这本书可以写得相当有料。

备注：

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