Apache Spark源码走读之4

shenyg

　　欢迎转载，转载请注明出处，徽沪一郎。
　　Spark Streaming能够对流数据进行近乎实时的速度进行数据处理。采用了不同于一般的流式数据处理模型，该模型使得Spark Streaming有非常高的处理速度，与storm相比拥有更高的吞能力。
　　本篇简要分析Spark Streaming的处理模型，Spark Streaming系统的初始化过程，以及当接收到外部数据时后续的处理步骤。

系统概述

流数据的特点
　　与一般的文件（即内容已经固定）型数据源相比，所谓的流数据拥有如下的特点

• 数据一直处在变化中
  
• 数据无法回退
  
• 数据一直源源不断的涌进
  

DStream
　　如果要用一句话来概括Spark Streaming的处理思路的话，那就是"将连续的数据持久化，离散化，然后进行批量处理"。
　　让我们来仔细分析一下这么作的原因。

• 数据持久化 将从网络上接收到的数据先暂时存储下来，为事件处理出错时的事件重演提供可能，
  
• 离散化 数据源源不断的涌进，永远没有一个尽头，就像周星驰的喜剧中所说“崇拜之情如黄河之水绵绵不绝，一发而不可收拾”。既然不能穷尽，那么就将其按时间分片。比如采用一分钟为时间间隔，那么在连续的一分钟内收集到的数据集中存储在一起。
  
• 批量处理 将持久化下来的数据分批进行处理，处理机制套用之前的RDD模式
  

　　DStream可以说是对RDD的又一层封装。如果打开DStream.scala和RDD.scala，可以发现几乎RDD上的所有operation在DStream中都有相应的定义。
　　作用于DStream上的operation分成两类

• Transformation
  
• Output 表示将输出结果，目前支持的有print, saveAsObjectFiles, saveAsTextFiles, saveAsHadoopFiles
  

DStreamGraph
　　有输入就要有输出，如果没有输出，则前面所做的所有动作全部没有意义，那么如何将这些输入和输出绑定起来呢？这个问题的解决就依赖于DStreamGraph，DStreamGraph记录输入的Stream和输出的Stream。

  private val inputStreams = new ArrayBuffer[InputDStream[_]]()
private val outputStreams = new ArrayBuffer[DStream[_]]()
var rememberDuration: Duration = null
var checkpointInProgress = false


　　outputStreams中的元素是在有Output类型的Operation作用于DStream上时自动添加到DStreamGraph中的。
　　outputStream区别于inputStream一个重要的地方就是会重载generateJob.

初始化流程


StreamingContext
　　StreamingContext是Spark Streaming初始化的入口点，主要的功能是根据入参来生成JobScheduler

设定InputStream
　　如果流数据源来自于socket，则使用socketStream。如果数据源来自于不断变化着的文件，则可使用fileStream

提交运行
　　StreamingContext.start()
　　

数据处理

　　以socketStream为例，数据来自于socket。
　　SocketInputDstream启动一个线程，该线程使用receive函数来接收数据

def receive() {                                                                                                         
var socket: Socket = null                                                                                             
try {                                                                                                                  
logInfo("Connecting to " + host + ":" + port)                                                                        
socket = new Socket(host, port)                                                                                      
logInfo("Connected to " + host + ":" + port)                                                                        
val iterator = bytesToObjects(socket.getInputStream())                                                               
while(!isStopped && iterator.hasNext) {                                                                              
store(iterator.next)                                                                                               
}                                                                                                                    
logInfo("Stopped receiving")                                                                                         
restart("Retrying connecting to " + host + ":" + port)                                                               
} catch {                                                                                                              
case e: java.net.ConnectException =>                                                                                 
restart("Error connecting to " + host + ":" + port, e)                                                            
case t: Throwable =>                                                                                                
restart("Error receiving data", t)                                                                                 
} finally {      
if (socket != null) {                                                                                                
socket.close()                                                                                                     
logInfo("Closed socket to " + host + ":" + port)                                                                  
}                                                                                                                    
}                                                                                                                     
}                                                                                                                        
}        


　　接收到的数据会被先存储起来，存储最终会调用到BlockManager.scala中的函数，那么BlockManager是如何被传递到StreamingContext的呢？利用SparkEnv传入的，注意StreamingContext构造函数的入参。


处理定时器
　　数据的存储有是被socket触发的。那么已经存储的数据被真正的处理又是被什么触发的呢？
　　记得在初始化StreamingContext的时候，我们指定了一个时间参数，那么用这个参数会构造相应的重复定时器，一旦定时器超时，调用generateJobs函数。

private val timer = new RecurringTimer(clock, ssc.graph.batchDuration.milliseconds, longTime => eventActor ! GenerateJobs(new Time(longTime)), "JobGenerator")
　　事件处理函数

/** Processes all events */                                                                                             
private def processEvent(event: JobGeneratorEvent) {                                                                     
logDebug("Got event " + event)                                                                                         
event match {                                                                                                         
case GenerateJobs(time) => generateJobs(time)                                                                        
case ClearMetadata(time) => clearMetadata(time)                                                                     
case DoCheckpoint(time) => doCheckpoint(time)                                                                        
case ClearCheckpointData(time) => clearCheckpointData(time)                                                         
}                                                                                                                     
}     


　　generteJobs

private def generateJobs(time: Time) {                                                                                   
SparkEnv.set(ssc.env)                                                                                                  
Try(graph.generateJobs(time)) match {                                                                                 
case Success(jobs) =>                                                                                                
val receivedBlockInfo = graph.getReceiverInputStreams.map { stream =>                                             
val streamId = stream.id                                                                                         
val receivedBlockInfo = stream.getReceivedBlockInfo(time)                                                        
(streamId, receivedBlockInfo)                                                                                    
}.toMap                                                                                                            
jobScheduler.submitJobSet(JobSet(time, jobs, receivedBlockInfo))                                                   
case Failure(e) =>                                                                                                   
jobScheduler.reportError("Error generating jobs for time " + time, e)                                             
}                                                                                                                     
eventActor ! DoCheckpoint(time)                                                                                       
}         


　　generateJobs->generateJob一路下去会调用到Job.run,在job.run中调用sc.runJob，在具体调用路径就不一一列出。

private class JobHandler(job: Job) extends Runnable {
def run() {
eventActor ! JobStarted(job)
job.run()
eventActor ! JobCompleted(job)
}
}


　　DStream.generateJob函数中定义了jobFunc，也就是在job.run()中使用到的jobFunc

  private[streaming] def generateJob(time: Time): Option[Job] = {
getOrCompute(time) match {
case Some(rdd) => {
val jobFunc = () => {
val emptyFunc = { (iterator: Iterator[T]) => {} }
context.sparkContext.runJob(rdd, emptyFunc)
}
Some(new Job(time, jobFunc))
}
case None => None
}
}


　　在这个流程中，DStreamGraph起到非常关键的作用，非常类似于TridentStorm中的graph.
　　在generateJob过程中，DStream会通过调用compute函数生成相应的RDD，SparkContext则是将基于RDD的抽象转换成为多个stage，而执行。
　　StreamingContext中一个重要的转换就是DStream到RDD的转换，而SparkContext中一个重要的转换是RDD到Stage及Task的转换。在这两个不同的抽象类中，要注意其中getOrCompute和compute函数的实现。

小结
　　本篇内容有点仓促，内容不够丰富翔实，争取回头有空的时候再好好丰富一下具体的调用路径。
　　对于容错处理机制，本文没有涉及，待研究明白之后另起一篇进行阐述。