Spark定制班第1课：通过案例对Spark Streaming透彻理解三板斧之一：解密Spark Streaming另类实验及Spark Streaming本质解析

本期导读：

1 Spark源码定制选择从SparkStreaming入手；

2 Spark Streaming另类在线实验；

3 瞬间理解Spark Streaming本质。

今天是Spark定制班的第1课，这一课将成为我们未来发布Spark源码定制版本的引路石。

注：我们当前课程内容基于Spark 1.6.1版本（在2016年5月来说是Spark最新版本）讲解。

1 Spark源码定制选择从Spark Streaming入手

我们从第一课就选择Spark子框架中的SparkStreaming。

那么，我们为什么要选择从SparkStreaming入手开始我们的Spark源码版本定制之路？

有下面几个方面的理由：

1）Spark大背景

Spark 最开始没有我们今天看到的Spark Streaming、GraphX、Machine Learning、Spark SQL和Spark R等相关子框架内容，最开始就只有很原始的Spark Core。我们要做Spark源码定制，做自己的发行版本，以SparkStreaming为切入点，Spark Streaming本身是 Spark Core上的一个子框架，所以我们透过一个子框架的彻底研究，肯定可以精通Spark力量的源泉和所有问题的解决之道；

2）为什么不选Spark SQL？

我们知道，Spark有很多子框架，现在除了基于Spark Core编程之外，用得最多的就是SparkSQL。Spark SQL由于涉及了太多的SQL语法细节的解析或者说优化，其实这些解析或优化，对于我们集 中精力去研究Spark而言，它是一件重要的事情，但其实不是最重要的一件事情。由于它有太多的SQL语法解析，这个不是一个合适的子框架来让我们研究。

3）为什么不选Spark R？

Spark R现在很不成熟，而且支持功能有限，这个也从我们的候选列表中删除掉。

4）为什么不选Spark GraphX（图计算）？

如果大家关注了Spark的演进或发展的话，Spark最近发布的几个版本，Spark图计算基本没有改进。如果按照这个趋势的话，Spark官方机构似乎 在透露一个信号，图计算已经发展到尽头了。所以说，我们如果要研究的话，肯定不会去做一个看上去发展到尽头的东西。另外，至于图计算而言，它有很多数学级 别的算法，而我们是要把Spark做到极致，这样的话，数学这件事情很重要，但对我们来说却不是最重要的。

5）为什么不选Spark MLlib（机器学习）？

Spark机器学习在封装了Vector（向量）和Metrics基础之上，加上Spark的RDD，构建了它的众多的库。这个也由于涉及到了太多的数学的知识，所以我们选机器学习其实也不是一个太好的选择。

综上所述，我们筛选之下，Spark Streaming是我们唯一的选择。

我 们回顾过去，2015年是Spark最火的一年，最火的国家主要是美国。其实，2015年也是流式处理最火的一年。从从业人员的待遇上看，不论2015年 还是2016年，在搞大数据开发的公司中，以Spark岗位招聘的待遇一定是最高的。2016上半年，据StackOverflow开展的一项调查结果显 示，在大数据领域，Spark从业人员的待遇是最高的。在调查中，50%以上的人认为，Spark中最吸引人的是Spark Streaming。总之，大家考虑用Spark，主要是因为Spark Streaming。

Spark Streaming到底有什么魔力？

1）它是流式计算

这是一个流处理的时代，一切数据如果不是流式的处理或者跟流式的处理不相关的话，都是无效的数据。这句话会不断地被社会的发展所证实。

2）流式处理才是真正的我们对大数据的初步印象

一方面，数据流进来，立即给我们一个反馈，这不是批处理或者数据挖掘能做到的。另一方面，Spark非常强大的地方在于它的流式处理可以在线的利用机器学习、图计算、Spark SQL或者Spark R的成果，这得益于Spark多元化、一体化的基础架构设计。也就是说，在Spark技术堆栈中，Spark Streaming可以调用任何的API接口，不需要做任何的设置。这是Spark无可匹敌之处，也是Spark Streaming必将一统天下的根源。这个时代的流处理单打独斗已经不行了，Spark Streaming必然会跟多个Spark子框架联合起来，称霸大数据领域。

3）流式处理“魅力和复杂”的双重体

如果你精通SparkStreaming，你就知道Spark Streaming以及它背后的兄弟框架，展示了Spark和大数据的无穷魅力。不过，在Spark的所有程序中，肯定是基于SparkStreaming的应用程序最容易出问题。为什么？因为数据不断流进来，它要动态控制数据的流入，作业的切分还有数据的处理。这些都会带来极大的复杂性。

4）与其他Spark子框架的巨大区别

如果你仔细观察，你会发现，Spark Streaming很像是基于Spark Core之上的一个应用程序。不像其他子框架，比如机器学习是把数学算法直接应用在Spark的RDD之上，Spark Streaming更像一般的应用程序那样，感知流进来的数据并进行相应的处理。

所以如果要做Spark的定制开发，Spark Streaming则提供了最好的参考，掌握了Spark Streaming也就容易开发任意其他的程序。当然想掌握SparkStreaming，但不去精通Spark Core的话，那是不可能的。Spark Core加Spark Streaming更是双剑合璧，威力无穷。我们选择SparkStreaming来入手，等于是找到了关键点。如果对照风水学的说法，对于Spark，我们算是已经幸运地找到了龙脉。如果要寻龙点穴，那么Spark Streaming就是龙穴之所在。找到了穴位，我们就能一日千里。

2 Spark Streaming另类在线实验

我们在研究Spark Streaming的过程中，会有困惑的事情：如何清晰的看到数据的流入、被处理的过程？

使用一个小技巧，通过调节放大Batch Interval的方式，来降低批处理次数，以方便看清楚各个环节。

我们从已写过的广告点击的在线黑名单过滤的Spark Streaming应用程序入手。

<pre name="code" class="html">package com.dt.spark.streaming  
      
import org.apache.spark.SparkConf  
import org.apache.spark.streaming.StreamingContext  
import org.apache.spark.streaming.Seconds  
/**
  * <span style="font-family:Times New Roman;">使用Scala开发集群运行的Spark在线黑名单过滤程序</span>
  * 新浪微博： http://weibo.com/ilovepains/
  */

object OnlineBlackListFilter { 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。 */ // 创建SparkConf对象 val conf = new SparkConf() // 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.setAppName("OnlineBlackListFilter") // 此时，程序在Spark集群 conf.setMaster("spark://Master:7077") val ssc = new StreamingContext(conf, Seconds(30)) /** * 黑名单数据准备，实际上黑名单一般都是动态的，例如在Redis或者数据库中， * 黑名单的生成往往有复杂的业务逻辑，具体情况算法不同， * 但是在Spark Streaming进行处理的时候每次都能够访问完整的信息。 */ val blackList = Array(("Spy", true),("Cheater", true)) val blackListRDD = ssc.sparkContext.parallelize(blackList, 8) val adsClickStream = ssc.socketTextStream("Master", 9999) /** * 此处模拟的广告点击的每条数据的格式为：time、name * 此处map操作的结果是name、（time，name）的格式 */ val adsClickStreamFormatted = adsClickStream.map { ads => (ads.split(" ")(1), ads) } adsClickStreamFormatted.transform(userClickRDD => { // 通过leftOuterJoin操作既保留了左侧用户广告点击内容的RDD的所有内容， // 又获得了相应点击内容是否在黑名单中 val joinedBlackListRDD = userClickRDD.leftOuterJoin(blackListRDD) /** * 进行filter过滤的时候，其输入元素是一个Tuple：（name,((time,name), boolean)） * 其中第一个元素是黑名单的名称，第二元素的第二个元素是进行leftOuterJoin的时候是否存在的值。 * 如果存在的话，表明当前广告点击是黑名单，需要过滤掉，否则的话是有效点击内容； */ val validClicked = joinedBlackListRDD.filter(joinedItem => { if(joinedItem._2._2.getOrElse(false)) { false } else { true } }) validClicked.map(validClick => {validClick._2._1}) }).print /** * 计算后的有效数据一般都会写入Kafka中，下游的计费系统会从kafka中pull到有效数据进行计费 */ ssc.start() ssc.awaitTermination() } }

把程序的Batch Interval设置从30秒改成300秒：

val ssc = new StreamingContext(conf, Seconds(300))

重新生成一下jar包 。

Spark集群有5台机器：Master、Worker1、Worker2、Worker3、Worker4。

启动HDFS集群：start-dfs.sh
启动Spark集群：start-all.sh
启动Spark的History Server：start-history-server.sh

打开数据发送的端口：nc -lk 9999。

用spark-submit运行前面生成的jar包。

/usr/local/spark/spark-1.6.0-bin-hadoop2.6/bin/spark-submit --class com.dt.spark.sparkstreaming.OnlineBlackListFilter --master spark://Master:7077 /root/Documents/SparkApps/OnlineBlackListFilter.jar

在数据发送端口输入若干数据，比如：

1375864674543  Tom

1375864674553  Spy

1375864674571  Andy

1375864688436  Cheater

1375864784240  Kelvin

1375864853892  Steven

1375864979347  John

打开浏览器，看History Server的日志信息：

点击最新的应用，看我们目前运行的应用程序中有些什么Job：

总共竟然有5个Job。这完全不是我们此前做Spark SQL之类的应用程序时看到的样子。

我们接下来看一看这些Job的内容，主要揭示一些现象，不会做完全深入的剖析，只是为了先让大家进行一些思考。

Job 0：此Job不体现我们的业务逻辑代码。这个Job是出于对后面计算的负载均衡的考虑。

Job 0包含有Stage 0、Stage 1。随便看一个Stage，比如Stage 1。看看其中的Aggregated Metrics by Executor部分：

发现此Stage在所有Executor上都存在。

Job 1：运行时间比较长，耗时1.5分钟。

点击Stage 2的链接，进去看看Aggregated Metrics By Executor部分：

可以知道，Stage 2只在Worker4上的一个Executor执行，而且执行了1.5分钟。

是否会觉得奇怪：从业务处理的角度看，我们发送的那么一点数据，没有必要去启动一个运行1.5分钟的任务吧。那这个任务是做什么呢？

从DAG Visualization部分，就知道此Job实际就是启动了一个接收数据的Receiver：

原来Receiver是通过一个Job来启动的。那肯定有一个Action来触发它。

看看Tasks部分：

只有一个Worker运行此Job。是用于接收数据。

Locality Level是PROCESS_LOCAL，原来是内存节点。所以，默认情况下，数据接收不会使用磁盘，而是直接使用内存中的数据。

看来，Spark Streaming应用程序启动后，自己会启动一些Job。默认启动了一个Job来接收数据，为后续处理做准备。

重要启示：一个Spark应用程序中可以启动很多Job，而这些不同的Job之间可以相互配合。这一认识为我们写复杂Spark程序奠定了良好的基础。

Job 2：看Details可以发现有我们程序的主要业务逻辑，体现在Stag 3、Stag4、Stag 5中。

我们看Stag3、Stage4的详情，可以知道这2个Stage都是用4个Executor执行的。所有数据处理是在4台机器上进行的。

Stag 5只在Worker4上。这是因为这个Stage有Shuffle操作。


Job3：有Stage 6、Stage 7、Stage 8。其中Stage 6、Stage 7被跳过。

看看Stage 8的Aggregated Metrics by Executor部分。可以看到，数据处理是在4台机器上进行的：

Job4：也体现了我们应用程序中的业务逻辑 。有Stage 9、Stage 10、Stage 11。其中Stage 9、Stage 10被跳过。

看看Stage 11的详情。可以看到，数据处理是在Worker2之外的其它3台机器上进行的：

综合以上的现象可以知道，Spark Streaming的一个应用中，运行了这么多Job，远不是我们从网络博客或者书籍上看的那么简单。

我们有必要通过这些现象，反过来回溯去寻根问源。不过这次暂不做深入分析。

我们的神奇之旅才刚刚开始。

3 瞬间理解Spark Streaming本质

我们先看一张图：

以上的连续4个图，分别对应以下4个段落的描述：

Spark Streaming接收Kafka、Flume、HDFS和Kinesis等各种来源的实时输入数据，进行处理后，处理结果保存在HDFS、Databases等各种地方。

Spark Streaming接收这些实时输入数据流，会将它们按批次划分，然后交给Spark引擎处理，生成按照批次划分的结果流。

Spark Streaming提供了表示连续数据流的、高度抽象的被称为离散流的DStream。DStream本质上表示RDD的序列。任何对DStream的操作都会转变为对底层RDD的操作。

Spark Streaming 使用数据源产生的数据流创建DStream，也可以在已有的DStream上使用一些操作来创建新的DStream。

在我们前面的实验中，每300秒会接收一批数据，基于这批数据会生成RDD，进而触发Job，执行处理。

DStream是一个没有边界的集合，没有大小的限制。

DStream代表了时空的概念。随着时间的推移，里面不断产生RDD。

锁定到时间片后，就是空间的操作，也就是 对本时间片的对应批次的数据的处理。

下面用实例来讲解数据处理过程。

从Spark Streaming程序转换为Spark执行的作业的过程中，使用了DStreamGraph。

Spark Streaming程序中一般会有若干个对DStream的操作。DStreamGraph就是由这些操作的依赖关系构成。

从程序到DStreamGraph的转换，如以下图例所示：

本例中，从每个foreach开始，都会进行回溯。从后往前回溯这些操作之间的依赖关系，也就形成了DStreamGraph。

执行从DStream到RDD的转换，也就 形成了RDD Graph，如下图所示：

空间维度确定之后，随着时间不断推进，会不断实例化RDD Graph，然后触发Job去执行处理。

现在再去读官方的Spark Streaming的文档，就好理解多了。

看来我们的学习，将从Spark Streaming的现象开始，深入到Spark Core和Spark Streaming的本质。