第3课通过案例对SparkStreaming 透彻理解：解密SparkStreaming运行机制和架构进进阶之Job和容错

作者：大数据技术爱好者--谢彪

一、集群上运行案例：

package com.dt.spark.sparkstreaming

import org.apache.spark.SparkConf​

importorg.apache.spark.streaming.{Seconds,StreamingContext}

 

object OnlineForeachRDD2DB {

  defmain(args:Array[String]){

   

   valconf = 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SparkStreaming执行的入口

  valssc = new StreamingContext(conf, Seconds(5))

 val lines =ssc.socketTextStream("Master", 9999)

 val words =lines.flatMap(_.split(" "))

   valwordCounts = words.map(x => (x, 1)).reduceByKey(_ +_)

   wordCounts.foreachRDD{ rdd =>

     rdd.foreachPartition{ partitionOfRecords => {

       //ConnectionPool is a static, lazily initialized pool ofconnections

       valconnection = ConnectionPool.getConnection()

       partitionOfRecords.foreach(record=> {

         valsql = "insert into streaming_itemcount(item,count)values('" +record._1 + "'," + record._2 + ")"

         valstmt = connection.createStatement();

         stmt.executeUpdate(sql);   })

       ConnectionPool.returnConnection(connection)  //return to the pool forfuturereuse ​

}  }

    }  

   ssc.start()

   ssc.awaitTermination()

}

}

二、通过运行上述案例代码，从web界面中可知其背后的RDD的依赖关系​

以上述图可知：​

1、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SparkCluster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​

（3）、每个BatchInterval会产生一个具体的Job，其实这里的Job不是SparkCore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）。

 2、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。​

作者：大数据技术爱好者--谢彪

• 资料来源于：DT_大数据梦工厂(Spark发行版本定制) 

• DT大数据梦工厂微信公众号:DT_Spark 

• 新浪微博：http://www.weibo.com/ilovepains

• 王家林老师每晚20:00免费大数据实战

YY直播：68917580