spark发行三板斧之三

从作业和容错的角度来理解spark streaming

1 Spark Streaming Job 架构和运行机制

2 Spark Streaming Job 容错架构和运行机制

理解Spark Streaming的Job的整个架构和运行机制对于精通Spark Streaming是至关重要的。

一 首先我们运行以下的程序，然后通过这个程序的运行过程进一步加深理解Spark Streaming流处理的Job的执行的过程，代码如下：

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()

 

  }

}

整个代码工作的流程可以总结如下图：

 

* 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；

 

二 整个Spark Streaming的容错机制是基于RDD的容错机制

主要表现为：

1 checkpoint

2 基于血统（lineage）的高度容错机制

3 出错了之后会从出错的位置从新计算，而不会导致重复计算。

等等

这是Spark Streaming的设计的精妙之一

感谢DT大数据梦工厂支持提供以下内容，DT大数据梦工厂专注于Spark发行版定制。详细信息请查看

 联系邮箱18610086859@126.com

 电话：18610086859

 QQ:1740415547

 微信号：18610086859