(版本定制)第3课：从作业和容错的角度来理解Spark Streaming

爱是王道

　　本节课内容：
    1、Spark Streaming Job架构和运行机制
    2、Spark Streaming Job容错架构和运行机制


理解Spark Streaming Job整个架构和运行机制对于精通Spark Streaming来说是至关重要的。
一、首先我们运行以下程序，然后通过这个程序的运行过程进一步加深对Spark Streaming流处理Job的执行过程的理解，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("OnlineForeachRDD2DB") //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集群上运行
    //conf.setMaster("local[6]") //本地
    //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(30))
    val lines = ssc.socketTextStream("Master", 9999)
    val wordCounts = lines.flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_)
　　   
　　   //JobScheduler中通过foreachRDD这个Action来触发真正意义上的Job执行
　　    wordCounts.foreachRDD { rdd =>
      rdd.foreachPartition { partitionOfRecords => {
        // ConnectionPool is a static, lazily initialized pool of connections
　　        val connection = ConnectionPool.getConnection()  //ConnectionPool这个是创建连接的函数，需自己单独写
        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
      }
      }
    }
　　

　　    ssc.start() //调用JobScheduler中的Start方法
    ssc.awaitTermination()
  }
}


　　备注：
　　     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上，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Spark Core中所指的Job，它只是基于DStream Graph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；


整体的工作流程图可以概括如下：



二 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等方式
这是Spark Streaming的设计的精妙之一


参考博客：http://my.oschina.net/corleone/blog/669520


　　备注：
　　资料来源于：DT_大数据梦工厂（IMF传奇行动绝密课程）-IMF
　　更多私密内容，请关注微信公众号：DT_Spark
　　如果您对大数据Spark感兴趣，可以免费听由王家林老师每天晚上20：00开设的Spark永久免费公开课，地址YY房间号：68917580
　　Life is short，you need to Spark.