Spark Streaming入门详解

Posted 2022-12-14 snail_gesture

背景：
使用Spark主要是使用Spark Streaming，Spark Streaming的魔力之所在于：

    1. 流式处理，如今是一个流处理时代，一切与流不相关的都是无效的数据。

    2. 流式处理才是真正的对大数据的印象。Spark Streaming的流式处理非常强大的一个功能是可以在线处理，ML，Spark SQL等流进来的数据，这也是Spark提供的一体化，多元化的技术架构设计带来的优势。

    3. Spark Streaming本身是一个程序，Spark Streaming在处理数据的时候会不断感知数据。所以对构建复杂的Spark应用程序，就极为有参考价值。

在做Spark实验的时候，如果想分析数据的如何流进来，是怎么样被计算的，我们就可以通过Spark Streaming来实现，将batch Interval设置时间非常大，这样里面的很多细节就可以通过log日志观察，这就相当于过去摄影师将李小龙的功夫，然后慢放这样就可以看的更加清晰。

一： Spark Streaming另类在线实验

1. 启动9999端口，往里面追加数据。如下图所示：
   
2. Spark Streaming会在设定的时间间隔中不断的循环，接收数据，然后计算，打印如下：
   
3. 通过master:18080端口查看作业的运行，实质上运行了一个Job，然后web端显示运行了5个Job.为啥这样？继续下去一探究竟！！
   
4. 先查看Job Id 为0的Job，然后DAG里面的操作我们在实际的代码中并不用这些操作，Spark Streaming在计算的时候会自动的为我们启动一些Job。
   
   第一个Job会在4个Worker上启动，为了负载均衡，这样后续计算的时候，就可以最大化的使用集群资源。
   
5. Job Id为1的Job数据接收器Receiver运行了1.5min，而此时的Receiver的启动是通过Job，而Receiver运行在Executor中且以一个Task的方式去接收数据，和普通的Job接收数据没有区别，这样的话，我们就可以在一个Spark Application中启动很多的Job，不同的Job之间可以相互配合，而Spark Streaming默认启动一个Job是Receiver接收数据。因此对于构建复杂的实现奠定了一个非常好的基础，可以根据其扩展满足自己需要的业务逻辑，并且也可以启动多个Receiver.
   
   1. Receiver的Locality Level是PROCESS_LOCAL（内存节点）,Spark Streaming默认接收数据是MEMORY_AND_DISK_2的方式，由此也可以看出，默认情况下如果是小数据的话，Spark默认会将数据放入到内存中.
      
   2. Job Id为2的Job,DAG视图如下：
      
      此时的BlockRDD来自于socketTextStream,实质是InputDStream根据时间间隔产生RDD。
      
      虽然是在一台机器上接收数据的，但是在4个Executor中完成计算的，这样就可以最大化利用集群资源。
      
      二： 瞬间理解Spark Streaming本质
      Spark Streaming是基于Spark Core上的一个应用程序，可伸缩，高吞吐，容错（这里主要是借助Spark Core的容错方式）处理在线数据流，数据可以有不同的来源，以及同时处理不同来源的数据。Spark Streaming处理的数据可以结合ML和Graph
      Spark Streaming本身是随着流进来的数据按照时间为单位生成Job,然后触发Job，再Cluster执行的一个流式处理引擎，本质上说是加上了时间维度的批处理。
   3. Spark Streaming支持从多种数据源中读取数据，如Kafka,Flume,HDFS,Kinesis,Twitter等，并且可以使用高阶函数如map,reduce,join,window等操作，处理后的数据可以保存到文件系统，数据库，Dashboard等。
      
   4. Spark Streaming的工作原理
      实时接收数据流，以时间的维度将数据拆分成多个Batch，然后将每个Batch进行计算，最后的结果也是以batch的方式组成的。
      
   5. Spark Streaming提供了一个更高级的抽象，DStream，代表了一个持续不断的数据流，DStream的创建可以通过输入数据源（Kafka,Flume和Kinesis），或者通过算子如（Map,reduce,join,window）,DStream内部就是一系列持续不断产生的RDD。而每个RDD都包含了一个时间段的数据。
      
   6. 对DStream应用算子比如map，其实底层被翻译为DStream中的每个RDD操作，每个DStream执行一个map,都会生成新的DStream,但是在底层实质是对RDD进行map操作，然后产生新的RDD，这个过程是通过Spark Core完成的，Spark Streaming对Spark Core进行了一层封装，隐藏了细节，对开发者提供了方便，易用的API。
      
      对DStream的操作会产生Graph，图中的T1，T2为输入数据，对其进行join,map,foreach等操作，然后产生新的DStream这样就构成了一个Graph，最后在计算的时候会回溯。
      
      Spark Streaming中Job的产生，以时间的维度，不断产生batch，在算子的操作下，不生产新的DStream，内部实质是产生新的RDD，具体在计算的时候，这样就将DStream Graph转成了RRD Graph。然后再有Spark Core引擎计算。
      

总结：
本次课程在很短的时间内对于Spark Streaming在处理数据的逻辑上有了本质的理解，后续的课程中会将深入理解，这其中的诸多细节过程，真相也会慢慢浮出水平。作为三把斧系列，好戏还在后面！！