spark发行版笔记2

spark发行版笔记2

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

简介： 王家林：DT大数据梦工厂创始人和首席专家. 联系邮箱[email protected] 电话：18610086859 QQ:1740415547 微信号：18610086859

上节课我们采用了降维的方式查看了整个spark streaming的大概运行的过程，再次强调，spark streaming 其实是构建在spark core之上的一个应用程序，如果要构建一个强大的spark应用程序 ，spark streaming 是一个值得借鉴的参考，spark streaming涉及多个job交叉配合，里面涉及到了spark的所有的核心组件，如果对spark streaming 精通了的话，可以说就精通了整个spark,所以精通掌握spark streaming是至关重要的。

以下是spark官方提供的图片

对于spark sql 来说，主要是sql语句语法的解析，对于我们理解spark核心的来说，是重要的，但是却不是最为重要的。对于机器学习来说，有太多的数学知识，对于理解spark的核心（构建一个类似spark streaming,一个spark core 之上的应用程序或者说应用框架）来说也不是最重要的。对于图计算来说，里面主要涉及到的是图论的知识，对于去重新根据实际的业务需求构建或者优化一个适合业务的基于spark core之上的应用而言，也不是最为重要的。总而言之，目前最为重要的是将spark streaming逐步精通，能够构建一个像spark streaming这样的优秀的框架，并不断的对其进行优化，然后再结合机器学习，图计算等spark的子框架。从而做出一个优秀的spark 发行版。

spark streaming是一种构建在spark上的实时计算框架，它扩展了spark处理大数据流式数据的能力，是spark 核心api的扩展。可以实现高吞吐的，可扩展的，高容错的，可伸缩的实时流处理框架。

最让人激动的是，spark streaming还可以使用spark 的其他的子框架，诸如集群学习，图计算对数据进行处理。

spark 的各个子框架都是基于spark core的。spark streaming在内部的处理机制是接受实时流的数据，并根据一定的时间间隔分成一批一批的数据，然后通过spark engine处理这些批数据，最后得到处理后的一批一批的数据。

对应的批数据，在spark内核对应RDD，在spark streaming中对应DStream ，一个DStream相当于RDD的模板，对应一组RDD（RDD的一个序列）

通俗点理解的话，在数据分成一批一批后，通过一个队列，然后spark引擎从该队列中依次一个一个的取出批数据，把批数据封装成一个DStream,因为DStream是RDD的模板，是RDD的一个逻辑级别的抽象，所以实质上是把数据封装成为物理级别的RDD.

综上，spark streaming内部处理机制流程如下

Spark Streaming基础概念理解：

为了更好的理解spark streaming，我们先简单的对相关概念理解一下

1 离散流：(Discretized Stream ,DStream):这是spark streaming对内部的持续的实时数据流的抽象描述，也即我们处理的一个实时数据流，在spark streaming中对应一个DStream

2 批数据：将实时流时间以时间为单位进行分批，将数据处理转化为时间片数据的批处理

3 时间片或者批处理时间间隔：逻辑级别的对数据进行定量的标准，以时间片作为拆分流数据的依据。

4 窗口长度：一个窗口覆盖的流数据的时间长度。比如说要每隔5分钟统计过去30分钟的数据，窗口长度为6，因为30分钟是batch interval 的6倍

5 滑动时间间隔：比如说要每隔5分钟统计过去30分钟的数据，窗口时间间隔为5分钟

6 input DStream :一个inputDStream是一个特殊的DStream 将spark streaming连接到一个外部数据源来读取数据。

7 Receiver :长时间（可能7*24小时）运行在Excutor之上，每个Receiver负责一个inuptDStream (比如读取一个kafka消息的输入流)。每个Receiver,加上inputDStream 会占用一个core/slot

重点来了！！！我们用时空维度和空间维度分别对DStream 和RDD来更加深入并且另类的理解spark streaming，以及二者之间的关系。

DStream 对应时空维度，空间加上时间（从目前来看，spark streaming的精妙之一是用时间来解耦合，是目前所见最好的解耦合的方式）

RDD对应空间维度

纵轴为空间维度：代表的是RDD的依赖关系构成的具体的处理逻辑的步骤，是用DStream来表示的。

横轴为时间维度：按照特定的时间间隔不断地生成job对象，并在集群上运行。

随着时间的推移，基于DStream Graph 不断生成RDD Graph ,也即DAG的方式生成job,并通过Job Scheduler的线程池的方式提交给spark cluster不断的执行。

由上可知，RDD    与  DStream的关系如下

RDD是物理级别的，而 DStream 是逻辑级别的

DStream是RDD的封装类，是RDD进一步的抽象

DStream 是RDD的模板。DStream要依赖RDD进行具体的数据计算

注意：纵轴维度需要RDD,DAG的生成模板，需要TimeLine的job控制器

横轴维度（时间维度）包含batch interval,窗口长度，窗口滑动时间等。

inputStream和outputStream分别代表数据的输入和输出

具体的job运行在spark cluster之上，此时系统的容错就非常重要，而spark streaimg的容错非常巧妙，它巧妙的借用了spark core rdd的容错而容错。

事务处理：数据一定会被处理，并且只会对数据处理一次，这个特性对于那些诸如计费系统的实现非常重要。