- Spark Streaming Job架构与运行机制
- Spark Streaming 容错架构与运行机制
Spark Streaming是一个流处理架构，随着时间的推移，根据时间分片不断的产生Job，一直不停的运行。从Job的产生上看，根据没有流处理，只是看起来像流一样而已。
下面以一个例子说明，代码如下
import org.apache.spark.SparkConf
import org.apache.spark.streaming.{Seconds, StreamingContext}
/**
* 使用Scala开发集群运行的Spark 在线黑名单过滤程序
* 背景描述：在广告点击计费系统中，我们在线过滤掉黑名单的点击，进而保护广告商的利益，只进行有效的广告点击计费
* 或者在防刷评分（或者流量）系统，过滤掉无效的投票或者评分或者流量；
* 实现技术：使用transform Api直接基于RDD编程，进行join操作
*/
object OnlineForeachRDD2DB {
def main(args: Array[String]){
/**
* 创建Spark的配置对象SparkConf，设置Spark程序的运行时的配置信息，
* 例如说通过setMaster来设置程序要链接的Spark集群的Master的URL,如果设置
* 为local，则代表Spark程序在本地运行，特别适合于机器配置条件非常差（例如
* 只有1G的内存）的初学者 *
*/
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 => {
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()
}
}
-
通过案例代码透视Job的执行过程，解析Spark Streaming运行机制，代码运行剖析如下：
首先通过StreamingContext调用start方法，其内部再启动JobScheduler的Start方法，进行消息循环
在JobScheduler的start内部会构造JobGenerator和ReceiverTacker
-
然后调用JobGenerator和ReceiverTacker的start方法执行以下操作
- JobGenerator启动后会不断的根据batchDuration生成一个个的Job
- 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
同时把数据的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
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DStream Graph而生成的RDD的DAG而已
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，在线程中基于RDD的Action触发作业的运行
由于流处理过程中作业不断生成，为了提升效率，可以使用线程池。同时有可能设置了Job的FAIR公平调度的方式，也需要多线程的支持
-
从容错架构的角度透视Spark Streaming 运行机制
Spark Streaming是基于DStream的容错机制，DStream是随着时间流逝不断的产生RDD，也就是说DStream是在固定的时间上操作RDD，容错会划分到每一次所形成的RDD。Spark Streaming的容错包括 Executor与Driver两方面的容错机制-
Executor 容错：
- 数据接收：分布式方式、wal方式，先写日志再保存数据到Executor
- 任务执行安全性 Job基于RDD容错
-
Driver容错 ： checkpoint
基于RDD的特性，它的容错机制主要就是两种：- 基于checkpoint，在stage之间是宽依赖，产生了shuffle操作，lineage链条过于复杂和冗长，这时候就需要做checkpoint。
- 基于lineage（血统）的容错：
一般而言，spark选择血统容错，因为对于大规模的数据集，做检查点的成本很高。考虑到RDD的依赖关系，每个stage内部都是窄依赖，此时一般基于lineage容错，方便高效。
-
总结： stage内部做lineage，stage之间做checkpoint。
