第3课：通过案例对SparkStreaming 透彻理解三板斧之三：解密SparkStreaming

第3课：通过案例对SparkStreaming 透彻理解三板斧之三：解密SparkStreaming

    1、DT大数据梦工厂微信公众号DT_Spark

    2、IMF晚8点大数据实战YY直播频道号：68917580

    3、新浪微博：http://www.weibo.com/ilovepains

内容：

1，解密Spark Streaming Job架构和运行机制

 先通过运行在线单词统计这个例子，观察Spark Streaming在控制台上输出的日志信息。

以下代码为在9999端口监听客户端连接请求，然后不断向客户端发送单词。

先启动SocketServer，然后在启动SparkStreaming在线统计单词的程序，代码如下

运行过程总结如下

1，StreamingContext启动后会ReceiverTracker，根据创建时指定的batchDuration时间，启动RecurringTimer定时器，间隔Interval发送JobGenerator消息，会启动JobGenerator和JobScheduler和BlockGenerator。

2，ReceiverTracker接收到Receiver(Stream 0)的注册消息，然后RecevierSupervisorImpl启动Receiver来接收数据。

3，SocketServer连接到localhost:9999开始接收数据，将接收到的数据通过BlockGenerator存放到BlockManager中。

4，JobScheduler接收到定期发送的JobGenerator消息后，提交一个Job，DStreamGraph从ReceiverTracker中获取数据生成RDD，DAGScheduler调度Job的执行，让TaskSchedulerImpl向Executor发送TaskSet，让Executor执行。

5，Task运行完后将结果发送给Driver，DAGScheduler和JbScheduler打印Job完成和耗时信息，最后在控制台输出单词统计结果。

 

可以看到随着时间的流逝会有不断的Job生成并且运行，那么，Spark Streaming中Job是如何生成的？

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ReceiverTracker，并且调用JobGenerator和ReceiverTracker的start方法

    1，JobGenerator启动后不断的根据batchDuration生成一个个的Job

    2，ReceiverTracker启动后首先在Spark集群中启动Receiver(其实在Executor中先启动ReceiverSupervisor)在Receiver接收到数据后会通过ReceiverSupervisor将数据存储到Executor的BlockManager中，并且把数据的Metadata信息发送给Driver的ReceiverTracker，在ReceiverTracker内部通过ReceivedBlockTracker来管理接收到的元数据信息

 

每个BatchInterval会产生一个具体的Job，其实这里的Job不是SparkCore中的Job，它只是基于DStreamGraph而生成的RDD的DAG而已，从Java角度讲，相等于Runnable接口实例，此时要向运行Job需要提交给JobScheduler，在JobScheduler中通过线程池中单独的线程

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？

1，作业不断生成，所以为了提升效率，我们需要线程池。这和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

 

 

2，解密Spark Streaming容错架构和运行机制

 

容错分为Driver级别的容错和Executor级别的容错。

 

在Executor级别的容错具体为接收数据的安全性和任务执行的安全性。在接收数据安全性方面，一种方式是Spark Streaming接收到数据默认为MEMORY_AND_DISK_2的方式，在两台机器的内存中，如果一台机器上的Executor挂了，立即切换到另一台机器上的Executor，这种方式一般情况下非常可靠且没有切换时间。另外一种方式是WAL（Write Ahead Log），在数据到来时先通过WAL机制将数据进行日志记录，如果有问题则从日志记录中恢复，然后再把数据存到Executor中，再进行其他副本的复制，这种方式对性能有影响。在生产环境中一般使用Kafka存储，Spark Streaming接收到数据丢失时可以从Kafka中回放。在任务执行的安全性方面，靠RDD的容错。

 

在Driver级别的容错具体为DAG生成的模板，即DStreamGraph，RecevierTracker中存储的元数据信息和JobScheduler中存储的Job进行的进度情况等信息，只要通过checkpoint就可以了，每个Job生成之前进行checkpoint，在Job生成之后再进行checkpoint，如果出错的话就从checkpoint中恢复。