通过案例对SparkStreaming 透彻理解三板斧之一：解密SparkStreaming运行机制

1 解密Spark Streaming Job架构和运行机制1 解密Spark Streaming Job架构和运行机制

　　第一部分通过案例透视Job的执行过程，案例代码如下：

import org.apache.spark.SparkConf
import org.apache.spark.streaming.{Seconds, StreamingContext}

/**
  * 
  *
  * @author DT大数据梦工厂
  * 新浪微博：http://weibo.com/ilovepains/
  *
  * 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，过滤掉无效的点击或者评分或者流量；
  * 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]){
    /**
      * 第1步：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 => {
        // ConnectionPool is a static, lazily initialized pool of connections
        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

      }

      }
    }


    /**
      * 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ReceiverTacker，并且调用JobGenerator和ReceiverTacker的start方法：
      *   1，JobGenerator启动后会不断的根据batchDuration生成一个个的Job
      *   2，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并且把数据的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DStreamGraph而生成的RDD
      * 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中通过线程池的方式找到一个
      * 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；
      *
      */
    ssc.start()
    ssc.awaitTermination()

  }
}

2 解密Spark Streaming 容错架构和运行机制

任务容错

我们知道DStream与RDD的关系就是随着时间流逝不断的产生RDD，对DStream的操作就是在固定时间上操作RDD。所以从某种意义上而言，Spark Streaming的基于DStream的容错机制，实际上就是划分到每一次形成的RDD的容错机制，这也是Spark Streaming的高明之处。RDD作为 分布式弹性数据集，它的弹性主要体现在：

1.自动的分配内存和硬盘，优先基于内存

2.基于lineage容错机制

3.task会指定次数的重试

4.stage失败会自动重试

5.checkpoint和persist 复用

6.数据调度弹性：DAG，TASK和资源管理无关。

7.数据分片的高度弹性

　　基于RDD的特性，它的容错机制主要就是两种：一是checkpoint，二是基于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。但是有的情况下，不如说lineage链条过于复杂和冗长，这时候就需要做checkpoint。

　　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。在stage之间，是宽依赖，产生了shuffle操作，这种情况下，做检查点则更好。总结来说，stage内部做lineage，stage之间做checkpoint。

2.任务安全性

1.Driver容错 ：

a)每个job生成之前做一个checkpoint，生成之后再做一个checkpoint，如果出错，就从checkpoint中恢复。 

2. Executor 容错：

a)接收数据的安全性：sparkStreaming接收到数据默认的存储方式是memory_and_disk_ser_2 的方式； wal方式（writer ahead log），在数据到来的时候，先做记录，然后再存到executor，

b)执行的安全性

完全基于RDD容错 ，