通过案例对SparkStreaming透彻理解三板斧之三

本课将从二方面阐述：

一、解密SparkStreaming Job架构和运行机制

二、解密SparkStreaming容错架构和运行机制

　　一切不能进行实时流处理的数据都将是无效的数据。在流处理时代，SparkStreaming有着强大吸引力，加上Spark的生态系统及各个子框架，SparkStreaming可以无缝的调用其兄弟框，如SQL，MLlib、Graphx等。掌握SparkStreaming架构及Job运行机制对精通SparkStreaming至关重要。通常的Spark应用程序是对RDD的Action操作触发了应用程序的Job的运行。而对于SparkStreaming，Job是怎么样运行的呢？在编写SparkStreaming程序的时候，可设置BatchDuration，SparkStreaming框架会自动启动Job并每隔BatchDuration时间会自动触发Job的调用。

 两个Job的概念

1. 每隔BatchInterval时间片就会产生的一个个Job，这里的Job并不是Spark Core中的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接口的实现类，要想运行Job需要将Job提交给JobScheduler，在JobScheduler内部会通过线程池的方式创建运行Job的一个个线程，当找到一个空闲的线程后会将Job提交到集群运行（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？

   a.Job根据BatchInterval不断生成，为了减少线程创建而带来的效率提升我们需要使用线程池（这和在Executor中通过启动线程池的方式来执行Task有异曲同工之妙）；

   b.如果Job的运行设置为FAIR公平调度的方式，这个时候也需要多线程的支持；

2. 上面Job提交的Spark Job本身。单从这个时刻来看，此次的Job和Spark core中的Job没有任何的区别。

下面通过运行代码示例来分析整个运行机制

package com.dt.spark.sparkstreaming

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
* @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]){
/**
* 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()

}
}

package com.dt.spark.sparkstreaming;

import java.sql.Connection;
import java.sql.DriverManager;
import java.util.LinkedList;

public class ConnectionPool {

private static LinkedList<Connection> connectionQueue;

static {
try {
Class.forName("com.mysql.jdbc.Driver");
} catch (ClassNotFoundException e) {
e.printStackTrace();
}
}

public synchronized static Connection getConnection() {
try {
if(connectionQueue == null) {
connectionQueue = new LinkedList<Connection>();
for(int i = 0; i < 5; i++) {
Connection conn = DriverManager.getConnection(
"jdbc:mysql://Master:3306/sparkstreaming",
"root",
"778899..");
connectionQueue.push(conn);
}
}
} catch (Exception e) {
e.printStackTrace();
}
return connectionQueue.poll();
}

public static void returnConnection(Connection conn) {
connectionQueue.push(conn);
}
}

将上述代码打成JAR包：

启动SparkStreaming应用程序：

具体执行细节是走的是SparkCore路线：

使用foreachRDD的话将结果内容直接插入数据库中，不会进行打印结果输出：

再看下整个运行过程：

总调度器启动：Jobscheduler，主要是根据batchInterval或windows窗口移动进行作业划分，SparkStreaming不断接收流进来数据，不断生成Job，看下web控制台：

随着时间的流失，不断生成job本身，job怎么生成？

运行过程总结如下：

1、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：
　　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）。

2、为什么使用线程池呢？
　　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；
　　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；

 

新浪微博：http://weibo.com/ilovepains

微信公众号：DT_Spark

博客：http://blog.sina.com.cn/ilovepains

手机：18610086859

QQ：1740415547

邮箱：18610086859@vip.126.com

Spark发行版笔记3