• Spark Streaming Job架構與運行機制
• Spark Streaming 容錯架構與運行機制

Spark Streaming是一個流處理架構，隨著時間的推移，根據時間分片不斷的產生Job，一直不停的運行。從Job的產生上看，根據沒有流處理，只是看起來像流一樣而已。
下面以一個例子說明，代碼如下

import org.apache.spark.SparkConf
import org.apache.spark.streaming.{Seconds, StreamingContext}

/**
  * 使用Scala開發集群運行的Spark 在線黑名單過濾程序
  * 背景描述：在廣告點擊計費系統中，我們在線過濾掉黑名單的點擊，進而保護廣告商的利益，只進行有效的廣告點擊計費
  *     或者在防刷評分（或者流量）系統，過濾掉無效的投票或者評分或者流量；
  * 實現技術：使用transform Api直接基于RDD編程，進行join操作
  */
object OnlineForeachRDD2DB {
  def main(args: Array[String]){
    /**
      * 創建Spark的配置對象SparkConf，設置Spark程序的運行時的配置信息，
      * 例如說通過setMaster來設置程序要鏈接的Spark集群的Master的URL,如果設置
      * 為local，則代表Spark程序在本地運行，特別適合于機器配置條件非常差（例如
      * 只有1G的內存）的初學者       *
      */
    val conf = new SparkConf() //創建SparkConf對象
    conf.setAppName("OnlineForeachRDD") //設置應用程序的名稱，在程序運行的監控界面可以看到名稱
    //conf.setMaster("spark://Master:7077") //此時，程序在Spark集群
    conf.setMaster("local[6]")
    //設置batchDuration時間間隔來控制Job生成的頻率并且創建Spark Streaming執行的入口
    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 => {
        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()
  }
}

1. 通過案例代碼透視Job的執行過程，解析Spark Streaming運行機制，代碼運行剖析如下：

   1. 首先通過StreamingContext調用start方法，其內部再啟動JobScheduler的Start方法，進行消息循環

   2. 在JobScheduler的start內部會構造JobGenerator和ReceiverTacker

   3. 然后調用JobGenerator和ReceiverTacker的start方法執行以下操作

      1. JobGenerator啟動后會不斷的根據batchDuration生成一個個的Job
      2. ReceiverTracker啟動后首先在Spark Cluster中啟動Receiver（其實是在Executor中先啟動ReceiverSupervisor）

   4. 在Receiver收到數據后會通過ReceiverSupervisor存儲到Executor

   5. 同時把數據的Metadata信息發送給Driver中的ReceiverTracker，在ReceiverTracker內部會通過ReceivedBlockTracker來管理接受到的元數據信息

   6. 每個BatchInterval會產生一個具體的Job，其實這里的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

   7. 要想運行Job需要提交給JobScheduler，在JobScheduler中通過線程池的方式找到一個單獨的線程來提交Job到集群運行，在線程中基于RDD的Action觸發作業的運行

   8. 由于流處理過程中作業不斷生成，為了提升效率，可以使用線程池。同時有可能設置了Job的FAIR公平調度的方式，也需要多線程的支持

2. 從容錯架構的角度透視Spark Streaming 運行機制
   Spark Streaming是基于DStream的容錯機制，DStream是隨著時間流逝不斷的產生RDD，也就是說DStream是在固定的時間上操作RDD，容錯會劃分到每一次所形成的RDD。Spark Streaming的容錯包括 Executor與Driver兩方面的容錯機制

   1. Executor 容錯：

      1. 數據接收：分布式方式、wal方式，先寫日志再保存數據到Executor
      2. 任務執行安全性 Job基于RDD容錯

   2. Driver容錯 ： checkpoint
      　　基于RDD的特性，它的容錯機制主要就是兩種：

      1. 基于checkpoint，在stage之間是寬依賴，產生了shuffle操作，lineage鏈條過于復雜和冗長，這時候就需要做checkpoint。
      2. 基于lineage（血統）的容錯：
         　　　　　　一般而言，spark選擇血統容錯，因為對于大規模的數據集，做檢查點的成本很高。考慮到RDD的依賴關系，每個stage內部都是窄依賴，此時一般基于lineage容錯，方便高效。

總結： stage內部做lineage，stage之間做checkpoint。