spark发行版笔记10

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了spark发行版笔记10相关的知识,希望对你有一定的参考价值。

感谢DT大数据梦工厂支持提供技术支持,DT大数据梦工厂专注于Spark发行版定制。

本期概览:

数据接收全生命周期的思考

大数据处理框架中,最重要的就是性能,性能是排在前面的。其次再考虑其他的。因为数据量大,一不小心的多余的操作,几分钟,十几分钟就过去了。

根据一般的架构设计原则,接收数据和存储数据是不同的对象来完成的。

Spark Streaming数据接收全生命周期可以看成是一个MVC模式,ReceiverSupervisor相当于是控制器(c),Receiver(v)

首先启动的是ReceiverTracker。

开启通信并且启动receiver执行线程技术分享
Start a receiver along with its scheduled executors

 

技术分享

技术分享

Get the receivers from the ReceiverInputDStreams, distributes them to the

   * worker nodes as a parallel collection, and runs them.

技术分享
要注意的是Receiver是可序列化的,要进行通信

技术分享

值得注意的是ReceiverSupervisor与ReceiverTracker的消息通信的主要代码如下

技术分享

技术分享

 /** Divides received data records into data blocks for pushing in BlockManager. */

技术分享

这里的调用onStart()方法要先于Receiver的onStart()方法,因为Receiver的onStart()方法要用到BlockGenerator等在这里的调用onStart()初始化的值

技术分享

 * Note: Do not create BlockGenerator instances directly inside receivers. Use

 * `ReceiverSupervisor.createBlockGenerator` to create a BlockGenerator and use it.

 

技术分享

这里生动的说明了一个BlockGenerator只服务于一个DStream

技术分享

Receiver接收数据应该是非阻塞式的,所以应该单独开启一条线程来执行

技术分享

默认情况 下,每200毫秒产生一个Block,并且在生产环境中有个最佳实践,那就是性能调优的时候spark.streaming.blockInterval最好不要低于50毫秒,因为一般情况下产生的碎片小文件过多,过多的句柄占据内存或者磁盘空间,造成性能下降,当然,根据具体的不同的数据的流入的速度不同,最优化的设置多少时间的数据合并为一个Block是不同的。要根据具体情况具体分析。原则上是产生的文件大小在速度和句柄数量之间平衡。

技术分享

每隔10毫秒就push数据到磁盘(Block)

技术分享

发送消息启动所有的receivers

技术分享

   /**

     * Start a receiver along with its scheduled executors 将调度的receiver启动

     */

    private def startReceiver(

        receiver: Receiver[_],

        scheduledLocations: Seq[TaskLocation]): Unit = {

      def shouldStartReceiver: Boolean = {

        // It‘s okay to start when trackerState is Initialized or Started

        !(isTrackerStopping || isTrackerStopped)

      }

 

      val receiverId = receiver.streamId

      if (!shouldStartReceiver) {

        onReceiverJobFinish(receiverId)

        return

      }

 

      val checkpointDirOption = Option(ssc.checkpointDir)

      val serializableHadoopConf =

        new SerializableConfiguration(ssc.sparkContext.hadoopConfiguration)

 

      // Function to start the receiver on the worker node

      val startReceiverFunc: Iterator[Receiver[_]] => Unit =

        (iterator: Iterator[Receiver[_]]) => {

          if (!iterator.hasNext) {

            throw new SparkException(

              "Could not start receiver as object not found.")

          }

          if (TaskContext.get().attemptNumber() == 0) {

            val receiver = iterator.next()

            assert(iterator.hasNext == false)

            val supervisor = new ReceiverSupervisorImpl(

              receiver, SparkEnv.get, serializableHadoopConf.value, checkpointDirOption)

            supervisor.start()

            supervisor.awaitTermination()

          } else {

            // It‘s restarted by TaskScheduler, but we want to reschedule it again. So exit it.

          }

        }

 

以上是关于spark发行版笔记10的主要内容,如果未能解决你的问题,请参考以下文章

spark发行版笔记13

spark发行版笔记11

Spark发行版笔记10:Spark Streaming源码解读之流数据不断接收和全生命周期彻底研究和思考

Spark发行版笔记11:ReceiverTracker架构设计

Spark发行版笔记13:Spark Streaming源码解读之Driver容错安全性

Spark Streaming发行版笔记15:no receivers彻底思考