Dream_Spark定製第二課

Spark版本定製第2天：經過案例對SparkStreaming透徹理解之二

本期內容：

1 解密Spark Streaming運行機制

2 解密Spark Streaming架構

　　一切不能進行實時流處理的數據都是無效的數據。在流處理時代，SparkStreaming有着強大吸引力，並且發展前景廣闊，加之Spark的生態系統，Streaming能夠方便調用其餘的諸如SQL，MLlib等強大框架，它必將一統天下。

　　Spark Streaming運行時與其說是Spark Core上的一個流式處理框架，不如說是Spark Core上的一個最複雜的應用程序。若是能夠掌握Spark streaming這個複雜的應用程序，那麼其餘的再複雜的應用程序都不在話下了。這裏選擇Spark Streaming做爲版本定製的切入點也是大勢所趨。

 

 

　咱們知道Spark Core處理的每一步都是基於RDD的，RDD之間有依賴關係。上圖中的RDD的DAG顯示的是有3個Action，會觸發3個job，RDD自下向上依賴，RDD產生job就會具體的執行。從DSteam Graph中能夠看到，DStream的邏輯與RDD基本一致，它就是在RDD的基礎上加上了時間的依賴。RDD的DAG又能夠叫空間維度，也就是說整個Spark Streaming多了一個時間維度，也能夠成爲時空維度。

 

從這個角度來說，能夠將Spark Streaming放在座標系中。其中Y軸就是對RDD的操做，RDD的依賴關係構成了整個job的邏輯，而X軸就是時間。隨着時間的流逝，固定的時間間隔（Batch Interval）就會生成一個job實例，進而在集羣中運行。

 

 

對於Spark Streaming來講，當不一樣的數據來源的數據流進來的時候，基於固定的時間間隔，會造成一系列固定不變的數據集或event集合（例如來自flume和kafka）。而這正好與RDD基於固定的數據集不謀而合，事實上，由DStream基於固定的時間間隔行程的RDD Graph正是基於某一個batch的數據集的。

 

　　從上圖中能夠看出，在每個batch上，空間維度的RDD依賴關係都是同樣的，不一樣的是這個五個batch流入的數據規模和內容不同，因此說生成的是不一樣的RDD依賴關係的實例，因此說RDD的Graph脫胎於DStream的Graph，也就是說DStream就是RDD的模版，不一樣的時間間隔，生成不一樣的RDD Graph實例。

 

 

 

　　從Spark Streaming自己出發：

 

　　1.須要RDD DAG的生成模版：DStream Graph

 

　　2須要基於Timeline的job控制器

 

　　3須要inputStreamings和outputStreamings，表明數據的輸入和輸出

 

　　4具體的job運行在Spark Cluster之上，因爲streaming無論集羣是否能夠消化掉，此時系統容錯就相當重要

 

　　5事務處理，咱們但願流進來的數據必定會被處理，並且只處理一次。在處理出現崩潰的狀況下如何保證Exactly once的事務語意。

 

 

 

　　從源碼解讀DStream

 

 

　從這裏能夠看出，DStream就是Spark Streaming的核心，就想Spark Core的核心是RDD，它也有dependency和compute。更爲關鍵的是下面的代碼：

 

 

這是一個HashMap，以時間爲key，以RDD爲value，這也正應證了隨着時間流逝，不斷的生成RDD，產生依賴關係的job，並經過jobScheduler在集羣上運行。再次驗證了DStream就是RDD的模版。

 

　　DStream能夠說是邏輯級別的，RDD就是物理級別的，DStream所表達的最終都是經過RDD的轉化實現的。前者是更高級別的抽象，後者是底層的實現。DStream實際上就是在時間維度上對RDD集合的封裝，DStream與RDD的關係就是隨着時間流逝不斷的產生RDD，對DStream的操做就是在固定時間上操做RDD。

　　總結：

 

　　在空間維度上的業務邏輯做用於DStream，隨着時間的流逝，每一個Batch Interval造成了具體的數據集，產生了RDD，對RDD進行transform操做，進而造成了RDD的依賴關係RDD DAG，造成job。而後jobScheduler根據時間調度，基於RDD的依賴關係，把做業發佈到Spark Cluster上去運行，不斷的產生Spark做業。

備註：

 

資料來源於：DT_大數據夢工廠（Spark發行版本定製）

 

更多私密內容，請關注微信公衆號：DT_Spark

若是您對大數據Spark感興趣，能夠免費聽由王家林老師天天晚上20：00開設的Spark永久免費公開課，地址YY房間號：68917580