第5课：基于案例一节课贯通Spark Streaming流计算框架的运行源码

通过以下案例切入对Spark Streaming流计算框架的运行源码的解读：

package com.dt.spark.cores
import org.apache.spark.SparkConf
import org.apache.spark.sql.Row
import org.apache.spark.sql.hive.HiveContext
import org.apache.spark.sql.types.{IntegerType, StringType, StructField, StructType}
import org.apache.spark.streaming.{Seconds, StreamingContext}
/**
  * 使用Spark Streaming+Spark SQL来在线动态计算电商中不同类别中最热门的商品排名，例如手机这个类别下面最热门的三种手机、电视这个类别
  * 下最热门的三种电视，该实例在实际生产环境下具有非常重大的意义；
  * @author DT大数据梦工厂
  * 新浪微博：http://weibo.com/ilovepains/
  *  实现技术：Spark Streaming+Spark SQL，之所以Spark Streaming能够使用ML、sql、graphx等功能是因为有foreachRDD和Transform
  *  等接口，这些接口中其实是基于RDD进行操作，所以以RDD为基石，就可以直接使用Spark其它所有的功能，就像直接调用API一样简单。
  *  假设说这里的数据的格式：user item category，例如Rocky Samsung Android
  */
object OnlineTheTop3ItemForeachCategory2DB {
  def main(args: Array[String]) {
    val conf = new SparkConf();
    conf.setAppName("OnlineTheTop3ItemForeachCategory2DB");
    conf.setMaster("local[6]");
    /**
      * 此处设置Batch Interval是在Spark Streaming中生成基本job的时间单位，窗口和滑动时间间隔
      * 一定是改Batch Interval的整数倍
      * 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));
    ssc.checkpoint("/root/Documents/SparkApps/")
    val userClickLogsDStream = ssc.socketTextStream("RockyLinux",9999)
    val formattedUserClickLogsDStream = userClickLogsDStream.map(clickLog =>
      (clickLog.split(" ")(2) + "_" + clickLog.split(" ")(1),1))
    val categorydUserClickLogsDStream = formattedUserClickLogsDStream.reduceByKeyAndWindow(_+_,_-_,Seconds(60),Seconds(20))
    categorydUserClickLogsDStream.foreachRDD{ rdd =>
      if(rdd.isEmpty()) {
        print("No rdd!!!")
      }else {
        val categoryItemRow = rdd.map(reducedItem => {
          val category = reducedItem._1.split("_")(0)
          val item = reducedItem._1.split("_")(1)
          val click_count = reducedItem._1.split("_")(2)
          Row(category, item, click_count)
        })
        val structType = StructType(Array(
          StructField("category", StringType, true),
          StructField("item", StringType, true),
          StructField("click_count", IntegerType, true)
        ))
        val hiveContext = new HiveContext(rdd.context)
        val categoryItemDF = hiveContext.createDataFrame(categoryItemRow, structType)
        categoryItemDF.registerTempTable("categoryItemTable")
        val reseltDataFram = hiveContext.sql("SELECT category,item,click_count FROM (SELECT category,item,click_count,row_number()" +
          " OVER (PARTITION BY category ORDER BY click_count DESC) rank FROM categoryItemTable) subquery " +
          " WHERE rank <= 3")
        val resultRowRDD = reseltDataFrame.rdd
        resultRowRDD.foreachPartition { partitionOfRecords => {
          if (partitionOfRecords.isEmpty) {null
            print("This RDD is not null but Partition is null!")
          } else {
            val connnection = ConnectionPool.getConnnection()
            partitionOfRecords.foreach(record => {
              val sql = "insert into categoryTop3(category,item,client_count) values('" + record.getAs("category") + "','"
              +record.getAs("item") + "'," + record.getAs("click_count") + ")"
              val stmt = connnection.createStatement()
              stmt.executeUpdate(sql)
            })
            ConnectionPool.returnConnection(connnection)
          }
         }
        }
       }
      }
    /**
      * 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ReceiverTracher,并且调用JobGenerator和ReceiverTacker的start方法：
      * 1.JobGenetor启动后会不断的根据batchDuratione生成一个个的Job
      * 2.ReceiverTracher启动后首先在Spark Cluster中启动Receiver（其实是在Executor中先启动Receiver Supervisor）
      *   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ReceiverBlockTracker来管理接受到的元数据信息
      * 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Receiver
      * 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触发正在的作业的运行），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Tack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
      */
    ssc.start();
    ssc.awaitTermination();
  }
}

查看以上代码运行的WebUI

我们过滤他的源码

总体流程概述

这就是他整个继承结构

备注：

这是我的Spark版本定制班学习笔记

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