通過案例對SparkStreaming 透徹理解三板斧之三：解密SparkStreaming運行機制和架構進階之Job和容錯

       事實上時間是不存在的，是由人的感官系統感覺時間的存在而已，是一種虛幻的存在，任何時候宇宙中的事情一直在發生着的。

　　Spark Streaming好比時間，一直遵循其運行機制和架構在不停的在運行，無論你寫多或者少的應用程序都跳不出這個範圍。

一.   通過案例透視Job執行過程的Spark Streaming機制解析，案例代碼如下：

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

/**
  * 使用Scala開發集羣運行的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直接基於RDD編程，進行join操作
　*
  * 新浪微博：http://weibo.com/ilovepains/
　* 郵   箱: [email protected]
  */
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集羣的Master的URL,如果設置
      * 爲local，則代表Spark程序在本地運行，特別適合於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集羣
    conf.setMaster("local[6]")
    //設置batchDuration時間間隔來控制Job生成的頻率並且創建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()
  }
}

通過運行以上代碼對Job運行機制進行解析：

       1.  首先通過StreamingContext調用start方法，其內部再啓動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.  然後調用JobGenerator和ReceiverTacker的start方法執行以下操作：

     01.  JobGenerator啓動後會不斷的根據batchDuration生成一個個的Job ；

     02.  ReceiverTracker啓動後首先在Spark Cluster中啓動Receiver（其實是在Executor中先啓動ReceiverSupervisor）；

       4.  在Receiver收到數據後會通過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，其實這裏的Job不是Spark Core中所指的Job，它只是基於DStreamGraph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到集羣運行，在線程中基於RDD的Action觸發作業的運行；

       8.  由於流處理過程中作業不斷生成，爲了提升效率，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；

二.  從容錯架構的角度透視Spark Streaming 運行機制：

　　Spark Streaming是基於DStream的容錯機制，DStream是隨着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： 

　　　　01.  數據接收：分佈式方式、wal方式，先寫日誌再保存數據到Executor 

　　　　02. 任務執行安全性 Job基於RDD容錯 ：

　　2. Driver容錯 ： checkpoint 。

　　基於RDD的特性，它的容錯機制主要就是兩種：

　　　　01.  基於checkpoint；

　　　　　　在stage之間，是寬依賴，產生了shuffle操作，lineage鏈條過於複雜和冗長，這時候就需要做checkpoint。

　　　　02.  基於lineage（血統）的容錯：

　　　　　　一般而言，spark選擇血統容錯，因爲對於大規模的數據集，做檢查點的成本很高。

　　　　　　考慮到RDD的依賴關係，每個stage內部都是窄依賴，此時一般基於lineage容錯，方便高效。

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