目录
1.2 Spark Streaming 是按照时间切分小批量
1.3 Spark Streaming 是流计算, 流计算的数据是无限的
2.1 RDD 和 DStream 的 DAG(有向无环图)
本节主要内容:
总章
静态
DAG
动态切分
数据流入
容错机制
1.总章
1.1 Spark Streaming
的特点
Spark Streaming
会源源不断的处理数据, 称之为流计算
Spark Streaming
并不是实时流, 而是按照时间切分小批量, 一个一个的小批量处理
Spark Streaming
是流计算, 所以可以理解为数据会源源不断的来, 需要长时间运行
1.2 Spark Streaming
是按照时间切分小批量
1.2.1 如何小批量?
Spark Streaming
中的编程模型叫做 DStream
, 所有的 API
都从 DStream
开始, 其作用就类似于 RDD
之于 Spark Core
可以理解为 DStream
是一个管道, 数据源源不断的从这个管道进去, 被处理, 再出去
但是需要注意的是, DStream
并不是严格意义上的实时流, 事实上, DStream
并不处理数据, 而是处理 RDD
以上, 可以整理出如下道理
Spark Streaming
是小批量处理数据, 并不是实时流
Spark Streaming
对数据的处理是按照时间切分为一个又一个小的RDD
, 然后针对RDD
进行处理所以针对以上的解读, 可能会产生一种疑惑
如何切分
RDD
?
1.2.2 如何处理数据?
如下代码
val lines: DStream[String] = ssc.socketTextStream(
hostname = args(0),
port = args(1).toInt,
storageLevel = StorageLevel.MEMORY_AND_DISK_SER)
val words: DStream[String] = lines
.flatMap(_.split(" "))
.map(x => (x, 1))
.reduceByKey(_ + _)
可以看到
-
RDD
中针对数据的处理是使用算子, 在DStream
中针对数据的操作也是算子 -
DStream
的算子似乎和RDD
没什么区别
有一个疑惑
-
难道
DStream
会把算子的操作交给RDD
去处理? 如何交?
1.3 Spark Streaming
是流计算, 流计算的数据是无限的
什么系统可以产生无限的数据?
无限的数据一般指的是数据不断的产生, 比如说运行中的系统, 无法判定什么时候公司会倒闭, 所以也无法断定数据什么时候会不再产生数据
那就会产生一个问题
如何不简单的读取数据, 如何应对数据量时大时小?
如何数据是无限的, 意味着可能要一直运行下去
那就会又产生一个问题
Spark Streaming
不会出错吗? 数据出错了怎么办?
1.4 总结
总结下来, 有四个问题
DStream
如何对应RDD
?如何切分
RDD
?如何读取数据?
如何容错?
2.DAG
的定义
2.1 RDD
和 DStream
的 DAG(有向无环图)
如果是 RDD
的 WordCount
, 代码大致如下
val textRDD = sc.textFile(...)
val splitRDD = textRDD.flatMap(_.split(" "))
val tupleRDD = splitRDD.map((_, 1))
val reduceRDD = tupleRDD.reduceByKey(_ + _)
用图形表示如下
同样, DStream
的代码大致如下
val lines: DStream[String] = ssc.socketTextStream(...)
val words: DStream[String] = lines.flatMap(_.split(" "))
val wordCounts: DStream[(String, Int)] = words.map(x => (x, 1)).reduceByKey(_ + _)
同理, DStream
也可以形成 DAG
如下
看起来 DStream
和 RDD
好像哟, 确实如此
2.2 RDD
和 DStream
的区别
-
DStream
的数据是不断进入的,RDD
是针对一个数据的操作 -
像
RDD
一样,DStream
也有不同的子类, 通过不同的算子生成 -
一个
DStream
代表一个数据集, 其中包含了针对于上一个数据的操作 -
DStream
根据时间切片, 划分为多个RDD
, 针对DStream
的计算函数, 会作用于每一个DStream
中的RDD
2.3 DStream
如何形式 DAG
-
每个
DStream
都有一个关联的DStreamGraph
对象 -
DStreamGraph
负责表示DStream
之间的的依赖关系和运行步骤 -
DStreamGraph
中会单独记录InputDStream
和OutputDStream
3. 切分流, 生成小批量
3.1 静态和动态
根据前面的学习, 可以总结一下规律
-
DStream
对应RDD
-
DStreamGraph
表示DStream
之间的依赖关系和运行流程, 相当于RDD
通过DAGScheduler
所生成的RDD DAG
但是回顾前面的内容, RDD
的运行分为逻辑计划和物理计划
-
逻辑计划就是
RDD
之间依赖关系所构成的一张有向无环图 -
后根据这张
DAG
生成对应的TaskSet
调度到集群中运行, 如下
但是在 DStream
中则不能这么简单的划分, 因为 DStream
中有一个非常重要的逻辑, 需要按照时间片划分小批量
-
在
Streaming
中,DStream
类似RDD
, 生成的是静态的数据处理过程, 例如一个DStream
中的数据经过map
转为其它模样 -
在
Streaming
中,DStreamGraph
类似DAG
, 保存了这种数据处理的过程
上述两点, 其实描述的是静态的一张 DAG
, 数据处理过程, 但是 Streaming
是动态的, 数据是源源不断的来的
所以, 在 DStream
中, 静态和动态是两个概念, 有不同的流程
-
DStreamGraph
将DStream
联合起来, 生成DStream
之间的DAG
, 这些DStream
之间的关系是相互依赖的关系, 例如一个DStream
经过map
转为另外一个DStream
-
但是把视角移动到
DStream
中来看,DStream
代表了源源不断的RDD
的生成和处理, 按照时间切片, 所以一个DStream DAG
又对应了随着时间的推进所产生的无限个RDD DAG
3.2 动态生成 RDD DAG
的过程
RDD DAG
的生成是按照时间来切片的, Streaming
会维护一个 Timer
, 固定的时间到达后通过如下五个步骤生成一个 RDD DAG
后调度执行
-
通知
Receiver
将收到的数据暂存, 并汇报存储的元信息, 例如存在哪, 存了什么 -
通过
DStreamGraph
复制出一套新的RDD DAG
-
将数据暂存的元信息和
RDD DAG
一同交由JobScheduler
去调度执行 -
提交结束后, 对系统当前的状态
Checkpoint
4. 数据的产生和导入
4.1 Receiver
在 Spark Streaming
中一个非常大的挑战是, 很多外部的队列和存储系统都是分块的, RDD
是分区的, 在读取外部数据源的时候, 会用不同的分区对照外部系统的分片, 例如
不仅 RDD
, DStream
中也面临这种挑战
那么此处就有一个小问题
-
DStream
中是RDD
流, 只是RDD
的分区对应了Kafka
的分区就可以了吗?
答案是不行, 因为需要一套单独的机制来保证并行的读取外部数据源, 这套机制叫做 Receiver
4.2 Receiver
的结构
为了保证并行获取数据, 对应每一个外部数据源的分区, 所以 Receiver
也要是分布式的, 主要分为三个部分
-
Receiver
是一个对象, 是可以有用户自定义的获取逻辑对象, 表示了如何获取数据 -
Receiver Tracker
是Receiver
的协调和调度者, 其运行在Driver
上 -
Receiver Supervisor
被Receiver Tracker
调度到不同的几点上分布式运行, 其会拿到用户自定义的Receiver
对象, 使用这个对象来获取外部数据
4.3 Receiver
的执行过程
-
在
Spark Streaming
程序开启时候,Receiver Tracker
使用JobScheduler
分发Job
到不同的节点, 每个Job
包含一个Task
, 这个Task
就是Receiver Supervisor
, 这个部分的源码还挺精彩的, 其实是复用了通用的调度逻辑 -
ReceiverSupervisor
启动后运行Receiver
实例 -
Receiver
启动后, 就将持续不断地接收外界数据, 并持续交给ReceiverSupervisor
进行数据存储 -
ReceiverSupervisor
持续不断地接收到Receiver
转来的数据, 并通过BlockManager
来存储数据 -
获取的数据存储完成后发送元数据给
Driver
端的ReceiverTracker
, 包含数据块的id
, 位置, 数量, 大小 等信息
5. 容错
因为要非常长时间的运行, 对于任何一个流计算系统来说, 容错都是非常致命也非常重要的一环, 在 Spark Streaming
中, 大致提供了如下的容错手段
5.1 热备
还记得这行代码吗
这行代码中的 StorageLevel.MEMORY_AND_DISK_SER
的作用是什么? 其实就是热备份
-
当 Receiver 获取到数据要存储的时候, 是交给 BlockManager 存储的
-
如果设置了
StorageLevel.MEMORY_AND_DISK_SER
, 则意味着BlockManager
不仅会在本机存储, 也会发往其它的主机进行存储, 本质就是冗余备份 -
如果某一个计算失败了, 通过冗余的备份, 再次进行计算即可
这是默认的容错手段
5.2 冷备
冷备在 Spark Streaming
中的手段叫做 WAL
(预写日志)
-
当
Receiver
获取到数据后, 会交给BlockManager
存储 -
在存储之前先写到
WAL
中,WAL
中保存了Redo Log
, 其实就是记录了数据怎么产生的, 以便于恢复的时候通过Log
恢复 -
当出错的时候, 通过
Redo Log
去重放数据
5.3 重放
-
有一些上游的外部系统是支持重放的, 比如说
Kafka
-
Kafka
可以根据Offset
来获取数据 -
当
SparkStreaming
处理过程中出错了, 只需要通过Kafka
再次读取即可
6.学习笔记
6.1 SparkStreaming 原理
(1)DStream内部是由RDD组成的
(2)DStream本身也是可以组成DAG(有向无环图)的,因为DStream通过一些转换算子,也是生成了新的DStream
6.2 执行图
RDD: map -> flatMap -> reduceByKey
每一个RDD有自己的有向无环图,最终DStream会通过DStreamGraph构建自己的有向无环图(我的理解:其实DSteam的有向无环图就是RDD的有向无环图)
DStream本身没有意义,有意义的在于其内部的RDD
6.3 详细图
可以看出每一个RDD的计算顺序都是对应的