如何解密Spark Streaming

這篇文章主要介紹“如何解密Spark Streaming”，在日常操作中，相信很多人在如何解密Spark Streaming問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”如何解密Spark Streaming”的疑惑有所幫助！接下來，請跟著小編一起來學習吧！

1，解密Spark Streaming Job架構和運行機制

 先通過運行在線單詞統計這個例子，觀察Spark Streaming在控制臺上輸出的日志信息。

以下代碼為在9999端口監聽客戶端連接請求，然后不斷向客戶端發送單詞。

先啟動SocketServer，然后在啟動SparkStreaming在線統計單詞的程序，代碼如下

運行過程總結如下

1，StreamingContext啟動后會ReceiverTracker，根據創建時指定的batchDuration時間，啟動RecurringTimer定時器，間隔Interval發送JobGenerator消息，會啟動JobGenerator和JobScheduler和BlockGenerator。

2，ReceiverTracker接收到Receiver(Stream 0)的注冊消息，然后RecevierSupervisorImpl啟動Receiver來接收數據。

3，SocketServer連接到localhost:9999開始接收數據，將接收到的數據通過BlockGenerator存放到BlockManager中。

4，JobScheduler接收到定期發送的JobGenerator消息后，提交一個Job，DStreamGraph從ReceiverTracker中獲取數據生成RDD，DAGScheduler調度Job的執行，讓TaskSchedulerImpl向Executor發送TaskSet，讓Executor執行。

5，Task運行完后將結果發送給Driver，DAGScheduler和JbScheduler打印Job完成和耗時信息，最后在控制臺輸出單詞統計結果。

可以看到隨著時間的流逝會有不斷的Job生成并且運行，那么，Spark Streaming中Job是如何生成的？

在StreamingContext調用start方法的內部其實是會啟動JobScheduler的start方法，進行消息循環，在JobScheduler的start內部會構造JobGenerator和ReceiverTracker，并且調用JobGenerator和ReceiverTracker的start方法

    1，JobGenerator啟動后不斷的根據batchDuration生成一個個的Job

    2，ReceiverTracker啟動后首先在Spark集群中啟動Receiver(其實在Executor中先啟動ReceiverSupervisor)在Receiver接收到數據后會通過ReceiverSupervisor將數據存儲到Executor的BlockManager中，并且把數據的Metadata信息發送給Driver的ReceiverTracker，在ReceiverTracker內部通過ReceivedBlockTracker來管理接收到的元數據信息

每個BatchInterval會產生一個具體的Job，其實這里的Job不是SparkCore中的Job，它只是基于DStreamGraph而生成的RDD的DAG而已，從Java角度講，相等于Runnable接口實例，此時要向運行Job需要提交給JobScheduler，在JobScheduler中通過線程池中單獨的線程

來提交Job到集群運行(其實是在線程中基于RDD的Action觸發真正的作業的運行)

為什么使用線程池？

1，作業不斷生成，所以為了提升效率，我們需要線程池。這和Executor中通過線程池執行Task有異曲同工之妙

2，有可能設置了Job的FAIR公平調度的方式，這個時候也需要多線程的支持

2，解密Spark Streaming容錯架構和運行機制

容錯分為Driver級別的容錯和Executor級別的容錯。

在Executor級別的容錯具體為接收數據的安全性和任務執行的安全性。在接收數據安全性方面，一種方式是Spark Streaming接收到數據默認為MEMORY_AND_DISK_2的方式，在兩臺機器的內存中，如果一臺機器上的Executor掛了，立即切換到另一臺機器上的Executor，這種方式一般情況下非常可靠且沒有切換時間。另外一種方式是WAL（Write Ahead Log），在數據到來時先通過WAL機制將數據進行日志記錄，如果有問題則從日志記錄中恢復，然后再把數據存到Executor中，再進行其他副本的復制，這種方式對性能有影響。在生產環境中一般使用Kafka存儲，Spark Streaming接收到數據丟失時可以從Kafka中回放。在任務執行的安全性方面，靠RDD的容錯。

在Driver級別的容錯具體為DAG生成的模板，即DStreamGraph，RecevierTracker中存儲的元數據信息和JobScheduler中存儲的Job進行的進度情況等信息，只要通過checkpoint就可以了，每個Job生成之前進行checkpoint，在Job生成之后再進行checkpoint，如果出錯的話就從checkpoint中恢復。

到此，關于“如何解密Spark Streaming”的學習就結束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學習，快去試試吧！若想繼續學習更多相關知識，請繼續關注億速云網站，小編會繼續努力為大家帶來更多實用的文章！