Spark Streaming源码解读之RDD生成全生命周期彻底研究和思考

最新推荐文章于 2021-08-24 20:36:55 发布

二府村

最新推荐文章于 2021-08-24 20:36:55 发布

阅读量1.8k

点赞数

分类专栏： SparkDream 文章标签： spark

本文链接：https://blog.csdn.net/erfucun/article/details/52421550

版权

SparkDream 专栏收录该内容

8 篇文章 0 订阅

订阅专栏

本博文内容主要是 :

DStream与RDD关系彻底研究
Streaming中RDD的生成彻底研究

　问题的提出：

　　1、RDD是依靠谁产生的？如何产生RDD？

　　2、执行时是否与Spark Core上的RDD执行有什么不同的

　　3、运行之后对RDD要怎么处理

　　　　为什么有第三点 : 是因为Spark Streaming 中会随着相关触发条件，窗口Window滑动的时候都会不断的产生RDD ，从最基本的层次考虑，RDD也是基本对象，每秒会产生RDD ,内存能不能完全容纳，每个处理完成后怎么进行管理？
　　　　所以研究Spark Streaming的RDD，RDD产生的全生命周期，产生、运行、运行后的管理尤其重要。

一： DStream与RDD关系彻底研究

这里写图片描述

补充说明：广播和计数器并不像看上去简单，在实际的最佳实践中，通过广播和计数器可以实现非常复杂的算法（将更新的计数器数据转过来更新到数据库，HBase等）。
看代码逻辑，逻辑是一种想法，上述代码的socketTextStream，就可以想象数据的输入？数据处理？数据怎么来？
在获得数据后进行一系列的transformations、最后进行foreachRDD的操作。

1、直接用foreachRDD 在这里面直接定义了对action操作，可以直接写对RDD处理的操作函数，如图：

这里写图片描述

在RDD中操作action不会产生新的RDD，DStream和它完全对应，在DStream中操作action不会产生新的DStream。foreachDStream是transformation操作，在整个Spark Streaming的操作中，foreachDStream不一定会触发job的执行，但会触发Job的产生。

foreachRDD直接调用action不产生RDD，产生了DStream，说明foreachDStream是Transformation操作，得出**在整个SparkStreaming操作中，foreachRDD是Transformation级别的。**foreachDStream中封装的函数没有action不会触发作业，foreachDStream不一定会触发Job的执行，一定会触发Job的产生（Job产生由timer产生，根据业务逻辑代码产生，和foreachDStream没什么关系。）

2、从RDD的角度讲，操作DStream 的print函数，其实是转过来操作foreachDStream的print：
这里写图片描述

这里写图片描述

.print()与foreachRDD直接使用RDD不同，foreachRDD里面直接定义RDD action操作,foreachFunc触发真正的action。

1、foreachDStream和Job的执行没有关系，不会触发Job执行。

2、有foreachDStream执行会产生Job是不对的，只根据框架来调度Job的执行。

foreachRDD的代码中对RDD的操作，如果没有action操作则不会执行action的操作。

总结：
1、foreachDStream的产生有两种方式：

（1）DStream的action，此时真正导致作业产生，且作业执行
（2）DStream的foreachRDD也会产生Job，如果里面没有action不会执行作业

foreachRDD是Spark Streaming的后门，直接对rdd的操作，背后封装成foreachRDD的操作。

2、在Spark Streaming的所有逻辑操作都是对DStream的操作，对DStream的操作其实就是对RDD的操作，DStream是RDD的模板。

后面的DStream对前面的DStream有依赖：

这里写图片描述

对map操作产生map的DStream：

这里写图片描述

基于DStream怎么产生rdd？通过batchInterval。研究DStream是怎么生成，看DStream的操作触发RDD的生成。

这里写图片描述
根据时间实例产生RDD，和batchDuration对齐的，如：timer实例就是1秒，1秒生成一个RDD，每个RDD对应一个Job，因为RDD就是DStream操作的时间间隔的最后一个RDD，后面的RDD对前面的RDD有依赖关系，后面对前面有依赖可以推到出整个依赖链条。

官网说明如下：

这里写图片描述

计算从后往前推，计算只需要获取最后一个的RDD的句柄。根据时间从后往前找出RDD的依赖关系，从而找出对应的空间关系。

generatedRDDs在哪里被实例化的？搞清楚了这里的HashMap在哪里被实例化的话，就知道RDD是怎么产生的。
1、 DStream中的getOrCompute会根据时间生成RDD。

 /**
 * Get the RDD corresponding to the given time; either retrieve it from cache
 * or compute-and-cache it.
 */
private[streaming] final def getOrCompute(time: Time): Option[RDD[T]] = {
  // If RDD was already generated, then retrieve it from HashMap,
  // or else compute the RDD
  generatedRDDs.get(time).orElse {
    // Compute the RDD if time is valid (e.g. correct time in a sliding window)
    // of RDD generation, else generate nothing.
    if (isTimeValid(time)) {

      val rddOption = createRDDWithLocalProperties(time, displayInnerRDDOps = false) {
        // Disable checks for existing output directories in jobs launched by the streaming
        // scheduler, since we may need to write output to an existing directory during checkpoint
        // recovery; see SPARK-4835 for more details. We need to have this call here because
        // compute() might cause Spark jobs to be launched.
        PairRDDFunctions.disableOutputSpecValidation.withValue(true) {
//compute根据时间计算产生RDD
          compute(time)
        }
      }
//rddOption里面有RDD生成的逻辑，然后生成的RDD，会put到generatedRDDs中
      rddOption.foreach { case newRDD =>
        // Register the generated RDD for caching and checkpointing
        if (storageLevel != StorageLevel.NONE) {
          newRDD.persist(storageLevel)
          logDebug(s"Persisting RDD ${newRDD.id} for time $time to $storageLevel")
        }
        if (checkpointDuration != null && (time - zeroTime).isMultipleOf(checkpointDuration)) {
          newRDD.checkpoint()
          logInfo(s"Marking RDD ${newRDD.id} for time $time for checkpointing")
        }
        generatedRDDs.put(time, newRDD)
      }
      rddOption
    } else {
      None
    }
  }
}

后面的rdd和batchDuration对应的rdd，DStream有个getOrComputer方法，根据batchDuration生成rdd的，可以是缓存或计算级别算出来。

/** Checks whether the 'time' is valid wrt slideDuration for generating RDD */
  private[streaming] def isTimeValid(time: Time): Boolean = {
    if (!isInitialized) {
      throw new SparkException (this + " has not been initialized")
    } else if (time <= zeroTime || ! (time - zeroTime).isMultipleOf(slideDuration)) {
      logInfo("Time " + time + " is invalid as zeroTime is " + zeroTime +
        " and slideDuration is " + slideDuration + " and difference is " + (time - zeroTime))
      false
    } else {
      logDebug("Time " + time + " is valid")
      true
    }
  }

到此处，RDD变量生成了，但是并没有执行，只是在逻辑级别的代码，可以在框架级别进行优化管理。
注意：SparkStreaming实际上在没有输入数据的时候仍然会产生RDD，可以在此处修改源码，提升性能。

2、在ReceiverInputDStream中compute源码如下：ReceiverInputDStream会生成计算链条中的首个RDD。后面的RDD就会依赖此RDD。

//如果没有输入数据会产生一系列空的RDD

这里写图片描述

3、 createBlockRDD源码如下：

private[streaming] def createBlockRDD(time: Time, blockInfos: Seq[ReceivedBlockInfo]): RDD[T] = {

  if (blockInfos.nonEmpty) {
    val blockIds = blockInfos.map { _.blockId.asInstanceOf[BlockId] }.toArray

    // Are WAL record handles present with all the blocks
    val areWALRecordHandlesPresent = blockInfos.forall { _.walRecordHandleOption.nonEmpty }

    if (areWALRecordHandlesPresent) {
      // If all the blocks have WAL record handle, then create a WALBackedBlockRDD
      val isBlockIdValid = blockInfos.map { _.isBlockIdValid() }.toArray
      val walRecordHandles = blockInfos.map { _.walRecordHandleOption.get }.toArray
      new WriteAheadLogBackedBlockRDD[T](
        ssc.sparkContext, blockIds, walRecordHandles, isBlockIdValid)
    } else {
      // Else, create a BlockRDD. However, if there are some blocks with WAL info but not
      // others then that is unexpected and log a warning accordingly.
      if (blockInfos.find(_.walRecordHandleOption.nonEmpty).nonEmpty) {
        if (WriteAheadLogUtils.enableReceiverLog(ssc.conf)) {
          logError("Some blocks do not have Write Ahead Log information; " +
            "this is unexpected and data may not be recoverable after driver failures")
        } else {
          logWarning("Some blocks have Write Ahead Log information; this is unexpected")
        }
      }
//校验数据是否还存在，不存在就过滤掉，此时的master是BlockManager
      val validBlockIds = blockIds.filter { id =>
        ssc.sparkContext.env.blockManager.master.contains(id)
      }
      if (validBlockIds.size != blockIds.size) {
        logWarning("Some blocks could not be recovered as they were not found in memory. " +
          "To prevent such data loss, enabled Write Ahead Log (see programming guide " +
          "for more details.")
      }
      new BlockRDD[T](ssc.sc, validBlockIds)
    }
  } else {
    // If no block is ready now, creating WriteAheadLogBackedBlockRDD or BlockRDD
    // according to the configuration
    if (WriteAheadLogUtils.enableReceiverLog(ssc.conf)) {
      new WriteAheadLogBackedBlockRDD[T](
        ssc.sparkContext, Array.empty, Array.empty, Array.empty)
    } else {
      new BlockRDD[T](ssc.sc, Array.empty)
    }
  }
}

上述都是从逻辑方面把RDD的生成流程走了一遍，下面我们就看正在开始是在哪里触发的。

在JobGenerator中generateJobs源码如下：

这里写图片描述

2、在DStreamGraph中我们前面分析的RDD的产生的动作正在被触发了。

这里写图片描述

二府村

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
Spark Streaming源码解读之RDD生成全生命周期彻底研究和思考

本博文内容主要是 :DStream与RDD关系彻底研究Streaming中RDD的生成彻底研究　问题的提出：　　1、RDD是依靠谁产生的？如何产生RDD？　　2、执行时是否与Spark Core上的RDD执行有什么不同的　　3、运行之后对RDD要怎么处理　　　　为什么有第三点 : 是因为Spark Streaming 中会随着相关触发条件，窗口Window滑动的时候都会不断的产生RDD
复制链接

扫一扫