本期內(nèi)容：
1. Spark Streaming架構(gòu)
2. Spark Streaming運行機制
Spark大數(shù)據(jù)分析框架的核心部件： spark Core、spark Streaming流計算、GraphX圖計算、MLlib機器學習、Spark SQL、Tachyon文件系統(tǒng)、SparkR計算引擎等主要部件.
Spark Streaming 其實是構(gòu)建在spark core之上的一個應用程序，要構(gòu)建一個強大的Spark應用程序 ，spark Streaming是一個值得借鑒的參考，spark Streaming涉及多個job交叉配合，基本涉及到了spark的所有的核心組件，精通掌握spark streaming是至關(guān)重要的。
Spark Streaming基礎(chǔ)概念理解：
1. 離散流：(Discretized Stream ,DStream):這是spark streaming對內(nèi)部的持續(xù)的實時數(shù)據(jù)流的抽象描述，也即我們處理的一個實時數(shù)據(jù)流，在spark streaming中對應一個DStream ；
2. 批數(shù)據(jù)：將實時流時間以時間為單位進行分批，將數(shù)據(jù)處理轉(zhuǎn)化為時間片數(shù)據(jù)的批處理；
3. 時間片或者批處理時間間隔：邏輯級別的對數(shù)據(jù)進行定量的標準，以時間片作為拆分流數(shù)據(jù)的依據(jù)；
4. 窗口長度：一個窗口覆蓋的流數(shù)據(jù)的時間長度。比如說要每隔5分鐘統(tǒng)計過去30分鐘的數(shù)據(jù)，窗口長度為6，因為30分鐘是batch interval 的6倍；
5. 滑動時間間隔：比如說要每隔5分鐘統(tǒng)計過去30分鐘的數(shù)據(jù)，窗口時間間隔為5分鐘；
6. input DStream :一個inputDStream是一個特殊的DStream 將spark streaming連接到一個外部數(shù)據(jù)源來讀取數(shù)據(jù)。
7. Receiver :長時間（可能7*24小時）運行在Excutor之上，每個Receiver負責一個inuptDStream (比如讀取一個kafka消息的輸入流)。每個Receiver,加上inputDStream 會占用一個core/slot ；
Spark Core處理的每一步都是基于RDD的，RDD之間有依賴關(guān)系。下圖中的RDD的DAG顯示的是有3個Action，會觸發(fā)3個job，RDD自下向上依賴，RDD產(chǎn)生job就會具體的執(zhí)行。從DSteam Graph中可以看到，DStream的邏輯與RDD基本一致，它就是在RDD的基礎(chǔ)上加上了時間的依賴。RDD的DAG又可以叫空間維度，也就是說整個Spark Streaming多了一個時間維度，也可以成為時空維度。
從這個角度來講，可以將Spark Streaming放在坐標系中。其中Y軸就是對RDD的操作，RDD的依賴關(guān)系構(gòu)成了整個job的邏輯，而X軸就是時間。隨著時間的流逝，固定的時間間隔（Batch Interval）就會生成一個job實例，進而在集群中運行。
對于Spark Streaming來說，當不同的數(shù)據(jù)來源的數(shù)據(jù)流進來的時候，基于固定的時間間隔，會形成一系列固定不變的數(shù)據(jù)集或event集合（例如來自flume和kafka）。而這正好與RDD基于固定的數(shù)據(jù)集不謀而合，事實上，由DStream基于固定的時間間隔行程的RDD Graph正是基于某一個batch的數(shù)據(jù)集的。
從上圖中可以看出，在每一個Batch上，空間維度的RDD依賴關(guān)系都是一樣的，不同的是這個五個Batch流入的數(shù)據(jù)規(guī)模和內(nèi)容不一樣，所以說生成的是不同的RDD依賴關(guān)系的實例，所以說RDD的Graph脫胎于DStream的Graph，也就是說DStream就是RDD的模板，不同的時間間隔，生成不同的RDD Graph實例。
從源碼解讀DStream :
從這里可以看出，DStream就是Spark Streaming的核心，就想Spark Core的核心是RDD，它也有dependency和compute。更為關(guān)鍵的是下面的代碼：
這是一個HashMap，以時間為key，以RDD為Value，這也正應證了隨著時間流逝，不斷的生成RDD，產(chǎn)生依賴關(guān)系的job，并通過JbScheduler在集群上運行。再次驗證了DStream就是RDD的模版。
DStream可以說是邏輯級別的，RDD就是物理級別的，DStream所表達的最終都是通過RDD的轉(zhuǎn)化實現(xiàn)的。前者是更高級別的抽象，后者是底層的實現(xiàn)。DStream實際上就是在時間維度上對RDD集合的封裝，DStream與RDD的關(guān)系就是隨著時間流逝不斷的產(chǎn)生RDD，對DStream的操作就是在固定時間上操作RDD。
總結(jié)：
在空間維度上的業(yè)務邏輯作用于DStream，隨著時間的流逝，每個Batch Interval形成了具體的數(shù)據(jù)集，產(chǎn)生了RDD，對RDD進行Transform操作，進而形成了RDD的依賴關(guān)系RDD DAG，形成Job。然后JobScheduler根據(jù)時間調(diào)度，基于RDD的依賴關(guān)系，把作業(yè)發(fā)布到Spark Cluster上去運行，不斷的產(chǎn)生Spark作業(yè)。
備注：
資料來源于：DT_大數(shù)據(jù)夢工廠
更多私密內(nèi)容，請關(guān)注微信公眾號：DT_Spark
新浪微博：http://www.weibo.com/ilovepains
如果您對大數(shù)據(jù)Spark感興趣，可以免費聽由王家林老師每天晚上20：00開設(shè)的Spark永久免費公開課，地址YY房間號：68917580
