第2课：SparkStreaming 透彻理解三板斧之二：解密SparkStreaming运行机制和架构

本期内容：

• 解密Spark Streaming 运行机制

• 解密Spark Streaming 框架

Spark Streaming是Spark的一个子框架，但是它更像是运行在Spark Core上的一个应用程序。Spark Streaming在启动时运行了很多的job，并且job之间相互配合。

Job围绕了两个方面：

1. 对输入数据流进行计算的Job

2. 框架自身运行需要的Job，例如Receiver启动。

Spark Streaming本身就是一个非常复杂的应用程序，如果你对SparkStreaming了如指掌，那么你将非常轻松的编写任意的应用程序。

我们看一下Spark的架构图：

Spark core上面有4个流行的框架：SparkSQL、流计算、机器学习、图计算

除了流计算，其他的框架大多都是在SparkCore上对一些算法或者接口进行了高层的封装。例如SparkSQL 封装了SQL语法，主要功能就是将SQL语法解析成SparkCore的底层API。而机器学习则是封装了很多的数学向量及算法。GraphX目前也没有太大的更新。

只有对SparkStreaming彻底了解，才能对提升我们写应用程序有很大的帮助。

基于Spark Core的时候，都是基于RDD编程，而基于SparkStreaming则是基于DStream编程。DStream就是在RDD的基础上，加上了时间维度：

private[streaming] var generatedRDDs = new HashMap[Time, RDD[T]] ()

DStream的compute需要传入一个时间参数，通过时间获取相应的RDD，然后再对RDD进行计算

/** Method that generates a RDD for the given time */
def compute(validTime: Time): Option[RDD[T]]

我们查看SparkStreaming的运行日志，就可以看出和RDD的运行几乎是一致的：

SparkStreaming Job在运行的时候，首先会生成DStream的Graph，在特定的时间将DStream Graph转换成RDD Graph。然后再去运行RDD的job 。如下图：

如果我们把RDD看成一个空间上的维度，那么DStream就是在RDD上加入了时间维度的时空维度。

我们可以想象一下，在一个二维空间中，X轴是时间，Y轴是对RDD的操作，也就是所谓的RDD的依赖关系构成的整个job的逻辑。随着时间的进行，会生成一个个的job实例。

所以SparkStreaming需要提供如下的功能：

• 需要RDD Graph生成的模板DStreamGraph

• 需要基于时间的job控制器

• 需要InputStream和OutputStream代表数据的输入和输出

• 将具体的job提交到Spark Cluster上，因为SparkStreaming是不断的在运行job，更容易出现问题，所以容错就至关重要（单个job的容错是基于Sparkcore的，SparkStreaming还要提供自己框架的容错功能）。

• 事务处理，数据一定会被处理，并且只会被处理一次。也就是说每次处理数据的时候，要知道数据的边界。特别是出现崩溃的情况下。
  

备注：

1、DT大数据梦工厂微信公众号DT_Spark 
2、IMF晚8点大数据实战YY直播频道号：68917580
3、新浪微博: http://www.weibo.com/ilovepains