Spark定製班第3課：通過案例對SparkStreaming透徹理解三板斧之三：解密Spark Streaming運行機制和架構進階之Job和容錯



本期內容：

1 解密Spark Streaming Job 架構和運行機制

2 解密Spark Streaming Job 容錯架構和運行機制

1 解密Spark Streaming Job 架構和運行機制

理解Spark Streaming的Job的整個架構和運行機制對於精通Spark Streaming是至關重要的。

我們運行以下的程序，通過這個程序的運行過程進一步加深理解Spark Streaming流處理的Job的執行的過程，代碼如下：

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()
  }
}

2 解密Spark Streaming Job容錯架構和運行機制

Spark容錯分爲Driver級別的容錯和Executor級別的容錯。

- 在Driver級別的容錯具體爲DAG生成的模板，即DStreamGraph，RecevierTracker中存儲的元數據信息和JobScheduler中存儲的Job進行的進度情況等信息，只要通過checkpoint就可以了，每個Job生成之前進行checkpoint，在Job生成之後再進行checkpoint，如果出錯的話就從checkpoint中恢復。

- 在Executor級別的容錯具體爲接收數據的安全性和任務執行的安全性。在接收數據安全性方面，一種方式是Spark Streaming接收到數據默認爲MEMORY_AND_DISK_2的方式，在兩臺機器的內存中，如果一臺機器上的Executor掛了，立即切換到另一臺機器上的Executor，這種方式一般情況下非常可靠且沒有切換時間。另外一種方式是WAL（Write Ahead Log），在數據到來時先通過WAL機制將數據進行日誌記錄，如果有問題則從日誌記錄中恢復，然後再把數據存到Executor中，再進行其他副本的複製。WAL這種方式對性能有影響，在生產環境中不常用，一般使用Kafka存儲，Spark Streaming接收到數據丟失時可以從Kafka中回放。在任務執行的安全性方面，靠RDD的容錯。 

Spark Streaming的容錯機制是基於RDD的容錯機制。

主要表現爲：

　　1 checkpoint

　　2 基於血統（lineage）的高度容錯機制

　　3 出錯了之後會從出錯的位置從新計算，而不會導致重複計算

備註：
資料來源於：DT_大數據夢工廠（Spark發行版本定製）
更多私密內容，請關注微信公衆號：DT_Spark
如果您對大數據Spark感興趣，可以免費聽由王家林老師每天晚上20：00開設的Spark永久免費公開課，地址YY房間號：68917580