通过案例对spark streaming透彻理解三板斧之三

 通过案例对spark streaming透彻理解三板斧之三：解密Spark Streaming运行机制和框架

    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()

}

}

Spark Streaming容错机制

  （1）driver级别容错

（2）Executor级别容错

        1.接收数据的安全性

        2.执行的安全性

备注：

资料来源于：DT_大数据梦工厂（Spark发行版本定制）

作者：阳光男孩spark
链接：https://www.jianshu.com/p/7d27714caff8