3. 通过案例对SparkStreaming 透彻理解三板斧之三

关于Job

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。

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。

第2步：创建StreamingContext对象。

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；

关于容错

Spark Streaming的容错机制有两个层面——driver级别和executor级别。

executor级别：

1. 接收数据的安全性（默认存储在两个内存、WAL（实际生产环境和Kafka结合，有数据回放功能））

2. 执行数据的安全性（完全靠RDD容错机制，RDD是安全的）

driver级别：

Job前后各做一次checkpoint

---

资料来源于：

DT_大数据梦工厂（Spark发行版本定制）微信公众号：DT_Spark

新浪微博：http://www.weibo.com/ilovepains

如果您对大数据Spark感兴趣，可以免费听由王家林老师每天晚上20：00开设的Spark永久免费公开课，地址YY房间号：68917580

微信公众号