第3课:解读spark –streaming运行机制

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

定制班：第三课 解读spark –streaming运行机制

一 从实战出发

首先我们运行以下的程序，然后通过这个程序的运行过程进一步加深理解Spark Streaming流处理的Job的执行的过程，代码如下:

      def main(args: Array[String]){
        val conf = new SparkConf() //创建SparkConf对象
        conf.setAppName("OnlineForeachRDD") //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.setMaster("spark://Master:7077") //此时，程序在Spark集群
        conf.setMaster("local[6]")
        //设置batchDuration时间间隔来控制Job生成的频率并且创建Spark Streaming执行的入口
        val ssc = new StreamingContext(conf, Seconds(5)) 
        val lines = ssc.socketTextStream("Master", 9999)
        val words = lines.flatMap(_.split(" "))
        val wordCounts = words.map(x => (x, 1)).reduceByKey(_ + _)
        wordCounts.foreachRDD { rdd =>
          rdd.foreachPartition { partitionOfRecords => {
            // ConnectionPool is a static, lazily initialized pool of connections
            val connection = ConnectionPool.getConnection()
            partitionOfRecords.foreach(record => {
              val sql = "insert into streaming_itemcount(item,count) values('" + record._1 + "'," + record._2 + ")"
              val stmt = connection.createStatement();
              stmt.executeUpdate(sql);
            })
            ConnectionPool.returnConnection(connection)  // return to the pool for future reuse 
      } } }
        ssc.start()
        ssc.awaitTermination() 
      }}

二 运行机制内幕揭秘

  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
      单独的线程来提交Job到集群运行（其实是在线程中基于RDD的Action触发真正的作业的运行），为什么使用线程池呢？
      (1). 作业不断生成，所以为了提升效率，我们需要线程池；这和在Executor中通过线程池执行Task有异曲同工之妙；
      (2). 有可能设置了Job的FAIR公平调度的方式，这个时候也需要多线程的支持；