Spark Streaming原理剖析

 1.初始化与集群上分布接收器 图8-12所示为Spark Streaming执行模型从中可看到数据接收及组件间的通信。  

初始化的过程主要可以概括为以下两点。

1)调度器的初始化。

2)将输入流的接收器转化为RDD在集群打散，然后启动接收器集合中的每个接收器。

下面通过具体的代码更深入地理解这个过程。

(1)NetworkWordCount示例 本例以NetworkWordCount作为研究Spark Streaming的入口程序。

object NetworkWordCount {    
    def main(args: Array[String]) {      
        if (args.length < 2) {        
            System.err.println("Usage: NetworkWordCount <hostname> <port>"))       
             System.exit(1)     
        }      
        StreamingExamples.setStreamingLogLevels()  
        val sparkConf = new SparkConf().setAppName("NetworkWordCount")  
        /*创建StreamingContext对象，形成整个程序的上下文*/ 
        val ssc = new StreamingContext(sparkConf, Seconds(1)) 
        /*通过socketTextStream接收源源不断地socket文本流*/ 
        val lines = ssc.socketTextStream(args(0), args(1).toInt, StorageLevel.MEMORY_AND_DISK_SER)   
        val words = lines.flatMap(_.split(" "))      
        val wordCounts = words.map(x => (x， 1)).reduceByKey(_ + _)      
        wordCounts.print()    
        ssc.start()    
        ssc.awaitTermination() 
    }  
}  

(2)进入scoketTextStream

def socketTextStream(hostname:String,port:Int,storageLevel:StorageLevel = StorageLevel.MEMORY_AND_DISK_SER_2):ReceiverInputDStream[String] = {  
/*内部实际调用的socketStream方法 */ 
socketStream[String](hostname, port, SocketReceiver.bytesToLines, storageLevel) 
}     
/*进入socketStream方法 */   
def socketStream[T： ClassTag](hostname:String, port:Int, converter： (InputStream) => Iterator[T], storageLevel： StorageLevel  )： ReceiverInputDStream[T] = {  
/*此处初始化SocketInputDStream对象 */     
new SocketInputDStream[T](this， hostname， port， converter， storageLevel)    
}  

(3)初始化SocketInputDStream 在之前的Spark Streaming介绍中，读者已经了解到整个Spark Streaming的调度灵魂就是DStream的DAG，可以将这个DStream DAG类比Spark中的RDD DAG，而DStream类比RDD，DStream可以理解为包含各个时间段的一个RDD集合。SocketInputDStream就是一个DStream。

private[streaming] class SocketInputDStream[T： ClassTag](     
@transient ssc_ : StreamingContext,host:String,port:Int, bytesToObjects:InputStream => Iterator[T],storageLevel:StorageLevel)extends ReceiverInputDStream[T](ssc_) {    
    def getReceiver(): Receiver[T] = {     
        new SocketReceiver(host,port,bytesToObjects,storageLevel)    
    }  
}  

(4)触发StreamingContext中的Start()方法上面的步骤基本完成了Spark Streaming的初始化工作。类似于Spark机制，Spark Streaming也是延迟(Lazy)触发的，只有调用了start()方法，才真正地执行了。

private[streaming] val scheduler = new JobScheduler(this)    
/*StreamingContext中维持着一个调度器*/   
def start(): Unit = synchronized { 
    ……  
    /*启动调度器*/     
    scheduler.start()    
    ……    
}  

(5)JobScheduler.start()启动调度器在start方法中初始化了很多重要的组件。

def start(): Unit = synchronized {     
    ……  
    /*初始化事件处理Actor,当有消息传递给Actor时,调用processEvent进行事件处理*/      
    eventActor = ssc.env.actorSystem.actorOf(Props(new Actor {         
        def receive = {           
            case event: JobSchedulerEvent => processEvent(event)        
        }   
    }), "JobScheduler")   
    /*启动监听总线*/  
    listenerBus.start()      
    receiverTracker = new ReceiverTracker(ssc)   
    /*启动接收器的监听器receiverTracker*/     
    receiverTracker.start()   
    /*启动job生成器*/     
    jobGenerator.start()    
     ……      
}  

(6)ReceiverTracker类

/*进入ReceiverTracker查看*/ 
private[streaming] class ReceiverTracker(ssc: StreamingContext) extends Logging {   
    val receiverInputStreams = ssc.graph.getReceiverInputStreams()    
    def start() = synchronized {  
        ……  
        val receiverExecutor = new ReceiverLauncher()    
        ……  
        if (！receiverInputStreams.isEmpty) {  
            /*初始化ReceiverTrackerActor */       
            actor = ssc.env.actorSystem.actorOf(Props(new ReceiverTrackerActor), "ReceiverTracker") 
            /*启动ReceiverLauncher()实例,(7)中进行介绍*/       
            receiverExecutor.start()    
            ……      
        }    
    }  
/*读者可以先参考ReceiverTrackerActor的代码查看实现注册Receiver和注册Block元数据信息的功能。 */   
private class ReceiverTrackerActor extends Actor {  
    def receive = {  
        /*接收注册receiver的消息,每个receiver就是一个输入流接收器,Receiver分布在Worker节点,一个Receiver接收一个输入流,一个Spark Streaming集群可以有多个输入流 */      
        case RegisterReceiver(streamId, typ, host, receiverActor) => registerReceiver(streamId, typ, host, receiverActor, sender)          
        sender ! true case AddBlock(receivedBlockInfo) => addBlocks(receivedBlockInfo)        
        ……      
    }    
}  

(7)receivelauncher类，在集群上分布式启动接收器

class ReceiverLauncher {     
    ……      
    @transient val thread  = new Thread() {        
        override def run() {        
        ……  
        /*启动ReceiverTrackerActor已经注册的Receiver*/         
        startReceivers()        
        ……     
        }  
    } 
}  

下面进入startReceivers方法，方法中将Receiver集合转变为RDD，从而在集群上打散，分布式分布。如图8-13所示，一个集群可以分布式地在不同的Worker节点接收输入数据流。   

private def startReceivers() {  
    /*获取之前配置的接收器 */      
    val receivers = receiverInputStreams.map(nis => {          
        val rcvr = nis.getReceiver()          
        rcvr.setReceiverId(nis.id)          
        cvr       
    })        
    ……        
    /* 创建并行的在不同Worker节点分布的receiver集合 */       
    val tempRDD = if (hasLocationPreferences) {           
    val receiversWithPreferences = receivers.map(r => (r, Seq(r.preferredLocation.get)))           
    ssc.sc.makeRDD[Receiver[_]](receiversWithPreferences)          
        } else {  
            /*在这里创造RDD相当于进入SparkContext.makeRDD,此经典之处在于将receivers集合作为一个RDD [Receiver]进行分区。即使只有一个输入流,按照分布式分区方式,也是将输入分布在Worker端,而不在Master*/         
            ssc.sc.makeRDD(receivers, receivers.size)  
            /*调用Sparkcontext中的makeRDD方法,本质是调用将数据分布式化的方法parallelize*/ 
            /* def makeRDD[T: ClassTag](seq: Seq[T], numSlices: Int = defaultParallelism): //RDD[T] = { parallelize(seq, numSlices) */ 
           /*在RDD[Receiver[_]]每个分区的每个Receiver 上都同时启动,这样其实Spark Streaming可以构建大量的分布式输入流 */       
           val startReceiver = (iterator: Iterator[Receiver[_]]) => {         
               if (!iterator.hasNext) { 
                   throw new SparkException( "Could not start receiver as object not found.")          
           }          
           val receiver = iterator.next()  
           /*此处的supervisorImpl是一个监督者的角色,在下面的内容中将会剖析这个对象的作用 */        
           val executor = new ReceiverSupervisorImpl(receiver, SparkEnv.get)         
           executor.start()         
           executor.awaitTermination()       
       }   
       /*将receivers的集合打散,然后启动它们 */ 
       ……        
       ssc.sparkContext.runJob(tempRDD, startReceiver)  
       ……      
    }  

2.数据接收与转化

在“1.初始化与集群上分布接收器”中介绍了，receiver集合转换为RDD在集群上分布式地接收数据流。那么每个receiver是怎样接收并处理数据流的呢?Spark Streaming数据接收与转化的示意图如图8-14所示。图8-14的主要流程如下。

1)数据缓冲：在Receiver的receive函数中接收流数据，将接收到的数据源源不断地放入BlockGenerator.currentBuffer。

2)缓冲数据转化为数据块：在BlockGenerator中有一个定时器(recurring timer)，将当前缓冲区中的数据以用户定义的时间间隔封装为一个数据块Block，放入BlockGenerator的blocksForPush队列中。

3)数据块转化为Spark数据块：在BlockGenerator中有一个BlockPushingThread线程，不断地将blocksForPush队列中的块传递给Blockmanager，让BlockManager将数据存储为块，读者可以在本书的Spark IO章节了解Spark的底层存储机制。BlockManager负责Spark中的块管理。

4)元数据存储：在pushArrayBuffer方法中还会将已经由BlockManager存储的元数据信息(如Block的ID号)传递给ReceiverTracker，ReceiverTracker将存储的blockId放到对应StreamId的队列中。 上面过程中涉及最多的类就是BlockGenerator，在数据转化的过程中，其扮演着不可或缺的角色。

private[streaming] class BlockGenerator（ listener： BlockGeneratorListener， receiverId： Int， conf： SparkConf ） extends Logging   

感兴趣的读者可以参照图8-14中的类和方法更加具体地了解机制。由于篇幅所限，这个数据生成过程的代码不再具体剖析。

【本文为51CTO专栏作者“王森丰”的原创稿件，转载请注明出处】