Spark定制班第3课：通过案例对SparkStreaming透彻理解三板斧之三：解密Spark Streaming运行机制和架构进阶之Job和容错

阳光穿透心脏的1/2处 2022-08-22 00:09 19阅读 0赞

**本期内容：**

1 解密Spark Streaming Job 架构和运行机制

2 解密Spark Streaming Job 容错架构和运行机制

**1 解密Spark Streaming Job 架构和运行机制**

理解Spark Streaming的Job的整个架构和运行机制对于精通Spark Streaming是至关重要的。

我们运行以下的程序，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()
      }
    }

**2 解密Spark Streaming Job容错架构和运行机制**

Spark容错分为Driver级别的容错和Executor级别的容错。

\- 在Driver级别的容错具体为DAG生成的模板，即DStreamGraph，RecevierTracker中存储的元数据信息和JobScheduler中存储的Job进行的进度情况等信息，只要通过checkpoint就可以了，每个Job生成之前进行checkpoint，在Job生成之后再进行checkpoint，如果出错的话就从checkpoint中恢复。

\- 在Executor级别的容错具体为接收数据的安全性和任务执行的安全性。在接收数据安全性方面，一种方式是Spark Streaming接收到数据默认为MEMORY\_AND\_DISK\_2的方式，在两台机器的内存中，如果一台机器上的Executor挂了，立即切换到另一台机器上的Executor，这种方式一般情况下非常可靠且没有切换时间。另外一种方式是WAL（Write Ahead Log），在数据到来时先通过WAL机制将数据进行日志记录，如果有问题则从日志记录中恢复，然后再把数据存到Executor中，再进行其他副本的复制。WAL这种方式对性能有影响，在生产环境中不常用，一般使用Kafka存储，Spark Streaming接收到数据丢失时可以从Kafka中回放。在任务执行的安全性方面，靠RDD的容错。

Spark Streaming的容错机制是基于RDD的容错机制。

主要表现为：

1 checkpoint

2 基于血统（lineage）的高度容错机制

3 出错了之后会从出错的位置从新计算，而不会导致重复计算