1. spark streaming Job 架构和容错解析

2018-06-28 本文已影响16人尼小摩

一.Spark streaming Job 架构

SparkStreaming框架会自动启动Job并每隔BatchDuration时间会自动触发Job的调用。

Spark Streaming的Job 分为两大类:

每隔BatchInterval时间片就会产生的一个个Job，这里的Job并不是Spark Core中的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接口的实现类，要想运行Job需要将Job提交给JobScheduler，在JobScheduler内部会通过线程池的方式创建运行Job的一个个线程，当找到一个空闲的线程后会将Job提交到集群运行（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？

a. Job根据BatchInterval不断生成，为了减少线程创建而带来的效率提升我们需要使用线程池（这和在Executor中通过启动线程池的方式来执行Task有异曲同工之妙）；

b. 如果Job的运行设置为FAIR公平调度的方式，这个时候也需要多线程的支持；
上面Job提交的Spark Job本身。单从这个时刻来看，此次的Job和Spark core中的Job没有任何的区别。

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：

import java.sql.Connection;
import java.sql.DriverManager;
import java.util.LinkedList;

public class ConnectionPool {

private static LinkedList<Connection> connectionQueue;

static {
try {
Class.forName("com.mysql.jdbc.Driver");
} catch (ClassNotFoundException e) {
e.printStackTrace();
} 
}

public synchronized static Connection getConnection() {
try {
if(connectionQueue == null) {
connectionQueue = new LinkedList<Connection>();
for(int i = 0; i < 5; i++) {
Connection conn = DriverManager.getConnection(
"jdbc:mysql://Master:3306/sparkstreaming",
"root",
"778899..");
connectionQueue.push(conn); 
}
}
} catch (Exception e) {
e.printStackTrace();
}
return connectionQueue.poll();
}

public static void returnConnection(Connection conn) {
connectionQueue.push(conn); 
}
}

第二部分: 通过sparkstreaming 将网络产生的数据进行统计统计,并将结果写入mysql数据库

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()

  }

}

代码中以注释的方式描述了Spakr job 启动的过程,下面结合源码做进一步分析:
StreamingContext的start()方法:

/**
 * Start the execution of the streams.
 *
 * @throws IllegalStateException if the StreamingContext is already stopped.
 */
def start(): Unit = synchronized {
  state match {
    case INITIALIZED =>
      startSite.set(DStream.getCreationSite())
      StreamingContext.ACTIVATION_LOCK.synchronized {
        StreamingContext.assertNoOtherContextIsActive()
        try {
          validate()

          // Start the streaming scheduler in a new thread, so that thread local properties
          // like call sites and job groups can be reset without affecting those of the
          // current thread.
          ThreadUtils.runInNewThread("streaming-start") {
            sparkContext.setCallSite(startSite.get)
            sparkContext.clearJobGroup()
            sparkContext.setLocalProperty(SparkContext.SPARK_JOB_INTERRUPT_ON_CANCEL, "false")
            savedProperties.set(SerializationUtils.clone(
              sparkContext.localProperties.get()).asInstanceOf[Properties])
          scheduler.start()
          }
          state = StreamingContextState.ACTIVE
        } catch {
          case NonFatal(e) =>
            logError("Error starting the context, marking it as stopped", e)
            scheduler.stop(false)
            state = StreamingContextState.STOPPED
            throw e
        }
        StreamingContext.setActiveContext(this)
      }
      shutdownHookRef = ShutdownHookManager.addShutdownHook(
        StreamingContext.SHUTDOWN_HOOK_PRIORITY)(stopOnShutdown)
      // Registering Streaming Metrics at the start of the StreamingContext
      assert(env.metricsSystem != null)
      env.metricsSystem.registerSource(streamingSource)
      uiTab.foreach(_.attach())
      logInfo("StreamingContext started")
    case ACTIVE =>
      logWarning("StreamingContext has already been started")
    case STOPPED =>
      throw new IllegalStateException("StreamingContext has already been stopped")
  }
}

可以看到StreamingContext的start()的方法中调用了scheduler.start(),其scheduler 是JobScheduler的对象,该对象在StreamingContext创建是被实例化:

private[streaming] val scheduler = new JobScheduler(this)

接下来在JobScheduler.start()内部实例化EventLoop，并执行EventLoop.start()进行消息循环，在JobScheduler.start()内部构造ReceiverTacker，并且调用JobGenerator和ReceiverTacker的start方法：

JobGenerator的start()方法中会调用startFirstTime()方法和restart()方法

最终调用generateJobs()方法不断生成job:

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.过程如图所示:

源码如下:(注意红色字体部分代码)

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）

二 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

1. spark streaming Job 架构和容错解析

一.Spark streaming Job 架构

Spark Streaming的Job 分为两大类:

二 Spark Streaming Job容错架构和运行机制

猜你喜欢

热点阅读