Spark Structured Streaming Source Sink整理

Source源码调用

Structured Streaming Read Records.png

Structured Streaming在Source阶段的调用过程如上图

1.在start时会启动StreamExecution内部属性microBatchThread线程，在线程内部调用runBatches方法；
2.在方法内执行triggerExecutor.execute调用runBatch方法；
3.调用source的getBatch返回具体数据的DataFrame；
4.在各实现Source的类中，获取对应的流数据，以kafkaSource为例，在getBatch中传入start和end的offset参数，通过kafka metadata，获取各topic的parititon在当前时间要获取的offsetRanges，此工作在driver内执行，然后生成KafkaSourceRDD，传入kafka连接参数和offsetRanges等；
5.在RDD的compute方法内，首先调用getOrCreate方法获取CachedKafkaConsumer，并修正offsetRange，生成NextIterator迭代器；
6.在迭代器内调用CachedKafkaConsumer的get方法获取ConsumerRecord，在get内调用fetchData方法，此工作在各executor中执行，在 ConsumerRecord内保存着提前从kafka拉取出来的数据fetchedData，数据都是从其内部获取，当fetchedData为空时，调用kafkaConsumer的poll拉取数据填充；不为空拿到record并进行一系列fail的offset判断，正确后返回ConsumerRecord。

Sink源码调用

Structured Streaming Write Records.png

Structured Streaming在Sink阶段的调用过程如上图

1.前两步与Source阶段相同，在调用getBatch方法得到dataframe后，调用Sink的addBatch方法；
2.仍然以KafkaSink为例，在addBatch方法内调用KafkaWriter的write方法；
3.调用RDD的foreachPartition方法，得到iter后在各个executor中生成KafkaWriteTask执行execute方法；
4.通过CachedKafkaProducer.getOrCreate获取producer，在row中获取topic、key、value值，发送。

作者：lioversky
链接：https://www.jianshu.com/p/cd240e3f8afe