Spark学习笔记(3)SparkStreaming架构进阶之Job和容错

本文内容

1 Spark Streaming Job 架构和运行机制

2 Spark Streaming Job 容错架构和运行机制


1 Spark Streaming Job 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:

 

2 Spark Streaming Job 容错架构和运行机制

  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。



  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值