spark版本定制三：SparkStreaming 透彻理解三板斧之三：解密SparkStreaming运行机制和架构进阶之Job和容错

本期内容：

一、解密Spark Streaming Job架构和运行机制

二、解密Spark Streaming 容错架构和运行机制

 

1、解密Spark Streaming Job架构和运行机制

经过代码洞察Job的执行过程：

object OnlineForeachRDD2DB {
  def main(args: Array[String]){
    /*
      * 第1步：建立Spark的配置对象SparkConf，设置Spark程序的运行时的配置信息
      */
    val conf = new SparkConf() //建立SparkConf对象
    conf.setAppName("OnlineForeachRDD") //设置应用程序的名称
//    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生成的频率而且建立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
      }
      }
    }
    ssc.start()
    ssc.awaitTermination()
  }
}

经过观察Job在Spark集群上运行的Log和结合源代码分析出以下流程：

1. 建立SparkConf,设置Spark程序运行时的配置信息;
2. 建立StreamingContext，设置batchDuration时间间隔来控制Job生成的频率而且建立Spark Streaming执行的入口；
3. 在建立StreamingContext的过程当中，会实例化JobScheduler和JobGenerator，调用StreamingContext的start方法时，在JobScheduler.start()内部实例化EventLoop，并执行EventLoop.start()进行消息循环，在JobScheduler的start方法内部会构造JobGenerator和ReveiverTracker,并分别调用它们的start方法；
4. JobGenerator启动后会不断的根据batchDuration生成一个个的Job；
5. ReceiverTracker启动后首先在Spark Cluster中启动Receiver，实际上是在Executor中首先启动ReceiverSupervisor，Receiver收到数据后会经过ReceiverSupervisor存储到Executor而且把数据的Metadata信息发送给Driver中的ReceiverTracker，在ReceiverTracker内部会经过ReceivedBlockTracker来管理接受到的元数据信息(元数据：数据存储的位置、索引等)。

6. 时间不断的流动，job怎么产生的？每一个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，至关于Runnable接口实例，此时要想运行Job须要提交给JobScheduler，在JobScheduler中经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（实际上是在线程中基于RDD的Action触发真正的做业的运行）；

      为何使用线程池呢？

1. 做业不断生成，因此为了提高效率，咱们须要线程池；这和在Executor中经过线程池执行Task有殊途同归之妙；
2. 有可能设置了Job的FAIR公平调度的方式，这个时候也须要多线程的支持；

　　

2、解密Spark Streaming 容错架构和运行机制

        

      咱们知道DStream与RDD的关系就是随着时间流逝不断的产生RDD，对DStream的操做就是在固定时间上操做RDD。因此从某种意义上而言，Spark Streaming的基于DStream的容错机制，实际上就是划分到每一次造成的RDD的容错机制，

      这也是Spark Streaming的高明之处。

      Spark Streaming的容错要考虑两个方面：

1. Driver运行失败时的恢复

   使用Checkpoint，记录Driver运行时的状态，失败后能够读取Checkpoint并恢复Driver状态。

2. 具体的每次Job运行失败时的恢复

   要考虑到Receiver的失败恢复，也要考虑到RDD计算失败的恢复。Receiver能够采用写wal日志的方式。RDD的容错是spark core天生提供的，基于RDD的特性，它的容错机制主要就是两种：

　　    01. 基于checkpoint；

              在stage之间，是宽依赖，产生了shuffle操做，lineage链条过于复杂和冗长，这时候就须要作checkpoint。

　　   02. 基于lineage（血统）的容错：

　　        通常而言，spark选择血统容错，由于对于大规模的数据集，作检查点的成本很高。考虑到RDD的依赖关系，每一个stage内部都是窄依赖，此时通常基于lineage容错，方便高效。

 

特别感谢王家林老师的独具一格的讲解：

王家林老师名片：

中国Spark第一人

新浪微博：http://weibo.com/ilovepains

微信公众号：DT_Spark

博客：http://blog.sina.com.cn/ilovepains

QQ：1740415547

YY课堂：天天20:00现场授课频道68917580