解密SparkStreaming运行机制和架构分析



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

1. 作业的生成肯定是一个动态的生成

private[streaming]valgraph: DStreamGraph = {
  if(isCheckpointPresent) {
    cp_.graph.setContext(this)
    cp_.graph.restoreCheckpointData()
    cp_.graph
  }else{
    require(batchDur_ != null,"Batch duration for StreamingContext cannot be null")
    valnewGraph =newDStreamGraph()
    newGraph.setBatchDuration(batchDur_)
    newGraph
  }
}

2.

private[streaming]valcheckpointDuration: Duration = {
  if(isCheckpointPresent) cp_.checkpointDurationelsegraph.batchDuration
}

private[streaming]valscheduler=newJobScheduler(this)

private[streaming]valwaiter=newContextWaiter

private[streaming]valprogressListener=newStreamingJobProgressListener(this)

private[streaming]valuiTab: Option[StreamingTab] =
  if(conf.getBoolean("spark.ui.enabled",true)) {
    Some(newStreamingTab(this))
  }else{
    None
  }

3.

defstart():Unit= synchronized {
  if(eventLoop!=null)return// scheduler has already been started

  logDebug("Starting JobScheduler")
  eventLoop=newEventLoop[JobSchedulerEvent]("JobScheduler") {
    override protected defonReceive(event: JobSchedulerEvent):Unit= processEvent(event)

    override protected defonError(e:Throwable):Unit= reportError("Error in job scheduler",e)
  }
  eventLoop.start()

  // attach rate controllers of input streams to receive batch completion updates
  for{
    inputDStream <- ssc.graph.getInputStreams
    rateController <- inputDStream.rateController
  } ssc.addStreamingListener(rateController)

  listenerBus.start(ssc.sparkContext)
  receiverTracker=newReceiverTracker(ssc)
  inputInfoTracker=newInputInfoTracker(ssc)
  receiverTracker.start()
  jobGenerator.start()
  logInfo("Started JobScheduler")
}

 

1.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
   2. 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

元数据：分布式的集群，为了高效的处理数据，一方面是数据本身，另一方面是数据存储在哪里，相当于数据的本身，高效的数据处理方法，是将数据的索引和数据进行区分，元数据的管理是通过BlockTracker来管理的，存数据通过BlockManager来存储管理

1. Spark Streaming容错机制:

   从第二课中我们发现，Dstream相对于RDD是逻辑层面的，通过Dstream Graph随着时间的流失不断的产生RDD，所以对Dstream的操作就是在固定的时间上操作RDD。所以基于RDD的容错机制同样也实用与Spark Streamign的容错机制

 Spark Streaming的容错要考虑两个方面：

1. 接收数据的安全性，1.默认情况下都会在两台机器上2.WAL机制，先把数据通过WAL做一个日志记录，kafka支持数据的回放

2. 执行数据的安全性，Job执行完全靠RDD的引导，Excutor的安全性

3. Driver级别的安全性，DAG生成的模板，Dstream Graph，Reciever Tracker, JobGenerator,只需要做一个checkpoint就行

感谢DT大数据梦工厂支持提供以下内容，DT大数据梦工厂专注于Spark发行版定制。详细信息请查看
 联系邮箱[email protected]
 电话：18610086859
 QQ:1740415547
 微信号：18610086859