Spark Streaming
流式计算
流式计算拥有的特点:
数据是⽆界的(unbounded)
数据是动态的
计算速度是⾮常快的
计算不⽌⼀次
计算不能终⽌
离线计算的特点 :
数据是有界的(Bounded)
数据静态的
计算速度通常较慢
计算只执⾏⼀次
计算终会终⽌
流式计算分为了实时计算和准实时计算
实时计算就是来⼀条记录(⼀个事件Event)启动⼀次计算;⽽准实时计算则是介于实时计算和离线计算之间的⼀个计算,所以每次处理的是⼀个微⼩的批次。
常⻅的离线和流式计算框架
常⻅的离线计算框架
\1. mapreduce
\2. spark-core
\3. flink-dataset
常⻅的流式计算框架
\1. storm(jstorm)
第⼀代的流式处理框架,每⽣成⼀条记录,提交⼀次作业。实时流处理,延迟低。
\2. spark-streaming
第⼆代的流式处理框架,短时间内⽣成mirco-batch,提交⼀次作业。准实时,延迟略⾼,秒级或者亚秒级延迟。
\3. flink-datastream(blink)
第三代的流式处理框架,每⽣成⼀条记录,提交⼀次作业。实时,延迟低。
SparkStreaming简介
SparkStreaming,和SparkSQL⼀样,也是Spark⽣态栈中⾮常重要的⼀个模块,主要是⽤来进⾏流式计算的框架。流式计算框架,从计算的延迟上⾯,⼜可以分为纯实时流式计算和准实时流式计算,SparkStreaming是属于 的准实时计算框架。
所谓纯实时的计算,指的是来⼀条记录(event事件),启动⼀次计算的作业;离线计算,指的是每次计算⼀个⾮常⼤的⼀批(⽐如⼏百G,好⼏个T)数据;准实时呢,介于纯实时和离线计算之间的⼀种计算⽅式。显然不是每⼀条记 录就计算⼀次,显然⽐起离线计算数据量⼩的多,怎么表示?Micro-batch(微⼩的批次)。
SparkStreaming是SparkCore的api的⼀种扩展,使⽤DStream(discretized stream or DStream)作为数据模型, 基于内存处理连续的数据流,本质上还是RDD的基于内存的计算。
DStream,本质上是RDD的序列。SparkStreaming的处理流程可以归纳为下图:
SparkStreaming基本⼯作原理
接收实时输⼊数据流,然后将数据拆分成多个batch,⽐如每收集1秒的数据封装为⼀个batch,然后将每个batch交给Spark的计算引擎进⾏处理,最后会⽣产出⼀个结果数据流,其中的数据,也是由⼀个⼀个的batch所组成的。
Spark Streaming提供了⼀种⾼级的抽象,叫做DStream,英⽂全称为Discretized Stream,中⽂翻译为“离散流”,它代表了⼀个持续不断的数据流。DStream可以通过输⼊数据源来创建,⽐如Kafka、Flume、ZMQ和Kinesis;也可以通过对其他DStream应⽤⾼阶函数来创建,⽐如map、reduce、join、window。
DStream的内部,其实⼀系列持续不断产⽣的RDD。RDD是Spark Core的核⼼抽象,即,分布式式弹性数据集。DStream中的每个RDD都包含了⼀个时间段内的数据。
对DStream应⽤的算⼦,⽐如map,其实在底层会被翻译为对DStream中每个RDD的操作。⽐如对⼀个DStream执⾏⼀个map操作,会产⽣⼀个新的DStream。但是,在底层,其实其原理为,对输⼊DStream中每个时间段的RDD,都应⽤⼀遍map操作,然后⽣成的新的RDD,即作为新的DStream中的那个时间段的⼀个RDD。底层的RDD的transformation操作。
还是由Spark Core的计算引擎来实现的。Spark Streaming对Spark Core进⾏了⼀层封装,隐藏了细节,然后对开发⼈员提供了⽅便易⽤的⾼层次的API。
Storm V.S. SparkStreaming V.S. Flink
如何选择⼀款合适的流式处理框架
对于Storm来说:
1、建议在需要纯实时,不能忍受1秒以上延迟的场景下使⽤,⽐如实时计算系统,要求纯实时进⾏交易和分析时。
2、在实时计算的功能中,要求可靠的事务机制和可靠性机制,即数据的处理完全精准,⼀条也不能多,⼀条也不能少,也可以考虑使⽤Storm,但是Spark Streaming也可以保证数据的不丢失。
3、如果我们需要考虑针对⾼峰低峰时间段,动态调整实时计算程序的并⾏度,以最⼤限度利⽤集群资源(通常是在⼩型公司,集群资源紧张的情况),我们也可以考虑⽤Storm
对于Spark Streaming来说:
1、不满⾜上述3点要求的话,我们可以考虑使⽤Spark Streaming来进⾏实时计算。
2、考虑使⽤Spark Streaming最主要的⼀个因素,应该是针对整个项⽬进⾏宏观的考虑,即,如果⼀个项⽬除了实时计算之外,还包括了离线批处理、交互式查询、图计算和MLIB机器学习等业务功能&#x