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。