本期內容：
1 解密Spark Streaming Job架構和運行機制
2 解密Spark Streaming容錯架構和運行機制
一、首先從一個SparkStreaming例子
package com.dt.spark.sparkstreaming
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
*
* @author DT大數據夢工廠
* 新浪微博：http://weibo.com/ilovepains/
*
* 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
*
*/
object OnlineForeachRDD2DB {
def main(args: Array[String]){
/**
* 第1步：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 => {
// 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調用start方法的內部其實是會啓動JobScheduler的Start方法，進行消息循環，在JobScheduler
* 的start內部會構造JobGenerator和ReceiverTacker，並且調用JobGenerator和ReceiverTacker的start方法：
* 1，JobGenerator啓動後會不斷的根據batchDuration生成一個個的Job
* 2，ReceiverTracker啓動後首先在Spark Cluster中啓動Receiver（其實是在Executor中先啓動ReceiverSupervisor），在Receiver收到
* 數據後會通過ReceiverSupervisor存儲到Executor並且把數據的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
* 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，從Java角度講，相當於Runnable接口實例，此時要想運行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（其實是在線程中基於RDD的Action觸發真正的作業的運行），爲什麼使用線程池呢？
* 1，作業不斷生成，所以爲了提升效率，我們需要線程池；這和在Executor中通過線程池執行Task有異曲同工之妙；
* 2，有可能設置了Job的FAIR公平調度的方式，這個時候也需要多線程的支持；
*
*/
ssc.start()
ssc.awaitTermination()
}
}Executor級別容錯：
(a) 接收數據的安全性: (1) StorageLevel.MEMORY_AND_DISK_SER_2 (2) 通過WAL(Write Ahead Log),通常生產環境會和Kafka結合使用；
(b) 執行的安全性: JOB執行的安全性通過RDD容錯。
Driver級別容錯：DAG生成模板 DStreamGraph,Receiver Tracker,JobGenerator等 每個Job生成 執行Checkpoint
