1 Spark Streaming 透彻理解之一 - 简书
http://www.jianshu.com/p/8de6ec8513ca

1.Spark Streaming另类实验与 Spark Streaming本质解析 - 听风居士 - 博客园
http://www.cnblogs.com/zhouyf/p/5471477.html

1 Spark源码定制选择从Spark Streaming入手
我们从第一课就选择Spark子框架中的SparkStreaming。
那么，我们为什么要选择从SparkStreaming入手开始我们的Spark源码版本定制之路？
有下面几个方面的理由：
1）Spark大背景
Spark 最开始没有我们今天看到的Spark Streaming、GraphX、Machine Learning、Spark SQL和Spark R等相关子框架内容，最开始就只有很原始的Spark Core。我们要做Spark源码定制，做自己的发行版本，以SparkStreaming为切入点，Spark Streaming本身是 Spark Core上的一个子框架，所以我们透过一个子框架的彻底研究，肯定可以精通Spark力量的源泉和所有问题的解决之道；
2）为什么不选Spark SQL？
我们知道，Spark有很多子框架，现在除了基于Spark Core编程之外，用得最多的就是SparkSQL。Spark SQL由于涉及了太多的SQL语法细节的解析或者说优化，其实这些解析或优化，对于我们集 中精力去研究Spark而言，它是一件重要的事情，但其实不是最重要的一件事情。由于它有太多的SQL语法解析，这个不是一个合适的子框架来让我们研究。
3）为什么不选Spark R？
Spark R现在很不成熟，而且支持功能有限，这个也从我们的候选列表中删除掉。
4）为什么不选Spark GraphX（图计算）？
如果大家关注了Spark的演进或发展的话，Spark最近发布的几个版本，Spark图计算基本没有改进。如果按照这个趋势的话，Spark官方机构似乎 在透露一个信号，图计算已经发展到尽头了。所以说，我们如果要研究的话，肯定不会去做一个看上去发展到尽头的东西。另外，至于图计算而言，它有很多数学级 别的算法，而我们是要把Spark做到极致，这样的话，数学这件事情很重要，但对我们来说却不是最重要的。
5）为什么不选Spark MLlib（机器学习）？
Spark机器学习在封装了Vector（向量）和Metrics基础之上，加上Spark的RDD，构建了它的众多的库。这个也由于涉及到了太多的数学的知识，所以我们选机器学习其实也不是一个太好的选择。
综上所述，我们筛选之下，Spark Streaming是我们唯一的选择。
我 们回顾过去，2015年是Spark最火的一年，最火的国家主要是美国。其实，2015年也是流式处理最火的一年。从从业人员的待遇上看，不论2015年 还是2016年，在搞大数据开发的公司中，以Spark岗位招聘的待遇一定是最高的。2016上半年，据StackOverflow开展的一项调查结果显 示，在大数据领域，Spark从业人员的待遇是最高的。在调查中，50%以上的人认为，Spark中最吸引人的是Spark Streaming。总之，大家考虑用Spark，主要是因为Spark Streaming。
Spark Streaming到底有什么魔力？
1）它是流式计算
这是一个流处理的时代，一切数据如果不是流式的处理或者跟流式的处理不相关的话，都是无效的数据。这句话会不断地被社会的发展所证实。
2）流式处理才是真正的我们对大数据的初步印象
一方面，数据流进来，立即给我们一个反馈，这不是批处理或者数据挖掘能做到的。另一方面，Spark非常强大的地方在于它的流式处理可以在线的利用机器学习、图计算、Spark SQL或者Spark R的成果，这得益于Spark多元化、一体化的基础架构设计。也就是说，在Spark技术堆栈中，Spark Streaming可以调用任何的API接口，不需要做任何的设置。这是Spark无可匹敌之处，也是Spark Streaming必将一统天下的根源。这个时代的流处理单打独斗已经不行了，Spark Streaming必然会跟多个Spark子框架联合起来，称霸大数据领域。
3）流式处理“魅力和复杂”的双重体
如果你精通SparkStreaming，你就知道Spark Streaming以及它背后的兄弟框架，展示了Spark和大数据的无穷魅力。不过，在Spark的所有程序中，肯定是基于SparkStreaming的应用程序最容易出问题。为什么？因为数据不断流进来，它要动态控制数据的流入，作业的切分还有数据的处理。这些都会带来极大的复杂性。
4）与其他Spark子框架的巨大区别
如果你仔细观察，你会发现，Spark Streaming很像是基于Spark Core之上的一个应用程序。不像其他子框架，比如机器学习是把数学算法直接应用在Spark的RDD之上，Spark Streaming更像一般的应用程序那样，感知流进来的数据并进行相应的处理。
所以如果要做Spark的定制开发，Spark Streaming则提供了最好的参考，掌握了Spark Streaming也就容易开发任意其他的程序。当然想掌握SparkStreaming，但不去精通Spark Core的话，那是不可能的。Spark Core加Spark Streaming更是双剑合璧，威力无穷。我们选择SparkStreaming来入手，等于是找到了关键点。如果对照风水学的说法，对于Spark，我们算是已经幸运地找到了龙脉。如果要寻龙点穴，那么Spark Streaming就是龙穴之所在。找到了穴位，我们就能一日千里。

2 Spark Streaming另类在线实验

我们在研究Spark Streaming的过程中，会有困惑的事情：如何清晰的看到数据的流入、被处理的过程？
使用一个小技巧，通过调节放大Batch Interval的方式，来降低批处理次数，以方便看清楚各个环节。
我们从已写过的广告点击的在线黑名单过滤的Spark Streaming应用程序入手。

import org.apache.spark.SparkConf
import org.apache.spark.streaming.{Seconds, StreamingContext}object OnlineBlackListFilter { 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("OnlineBlackListFilter") //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val ssc = new StreamingContext(conf,Seconds(300)) /* * 黑名单数据准备，实际上黑名单一般都是动态的，例如在Redis或者数据库中，黑名单的生成往往有复杂的业务 * 逻辑，具体情况算法不同，但是在Spark Streaming进行处理的时候每次都能工访问完整的信息 /val blackList = Array(("hadoop",true),("mahout",true)) val blackListRDD = ssc.sparkContext.parallelize(blackList,8) //监听主机Master上的9999端口，接收数据val adsClickStream = ssc.socketTextStream("Master" ,9999) /* * 此处模拟的广告点击的每条数据的格式为：time、name * 此处map操作的结果是name、（time，name）的格式 /val adsClientStreamFormated = adsClickStream.map(ads=>(ads.split(" ")(1),ads)) adsClientStreamFormated.transform(userClickRDD => { //通过leftOuterJoin操作既保留了左侧用户广告点击内容的RDD的所有内容，又获得了相应点击内容是否在黑名单中val joinedBlackListRDD = userClickRDD.leftOuterJoin(blackListRDD) /* * 进行filter过滤的时候，其输入元素是一个Tuple：（name,((time,name), boolean)） * 其中第一个元素是黑名单的名称，第二元素的第二个元素是进行leftOuterJoin的时候是否存在在值 * 如果存在的话，表面当前广告点击是黑名单，需要过滤掉，否则的话则是有效点击内容； /val validClicked = joinedBlackListRDD.filter(joinedItem=>{ if(joinedItem._2._2.getOrElse(false)){ false }else{ true } }) validClicked.map(validClick => {validClick._2._1}) }).print() /* * 计算后的有效数据一般都会写入Kafka中，下游的计费系统会从kafka中pull到有效数据进行计费 */ ssc.start() ssc.awaitTermination() }}

把程序的Batch Interval设置从30秒改成300秒：
val ssc = new StreamingContext(conf, Seconds(300))
重新生成一下jar包 。

Spark集群有5台机器：Master、Worker1、Worker2、Worker3、Worker4。
启动HDFS集群：start-dfs.sh启动Spark集群：start-all.sh启动Spark的History Server：start-history-server.sh

打开数据发送的端口：nc -lk 9999。
用spark-submit运行前面生成的jar包。
/usr/local/spark/spark-1.6.0-bin-hadoop2.6/bin/spark-submit --class com.dt.spark.sparkstreaming.OnlineBlackListFilter --master spark://Master:7077 /root/Documents/SparkApps/OnlineBlackListFilter.jar
在数据发送端口输入若干数据，比如：

1375864674543 Tom
1375864674553 Spy
1375864674571 Andy
1375864688436 Cheater
1375864784240 Kelvin
1375864853892 Steven
1375864979347 John

打开浏览器，看History Server的日志信息：

点击最新的应用，看我们目前运行的应用程序中有些什么Job：

我们接下来看一看这些Job的内容，主要揭示一些现象，不会做完全深入的剖析，只是为了先让大家进行一些思考。

Job 0：此Job不体现我们的业务逻辑代码。这个Job是出于对后面计算的负载均衡的考虑。

Job 2：看Details可以发现有我们程序的主要业务逻辑，体现在Stag 3、Stag4、Stag 5中。

以上的连续4个图，分别对应以下4个段落的描述：
Spark Streaming接收Kafka、Flume、HDFS和Kinesis等各种来源的实时输入数据，进行处理后，处理结果保存在HDFS、Databases等各种地方。
Spark Streaming接收这些实时输入数据流，会将它们按批次划分，然后交给Spark引擎处理，生成按照批次划分的结果流。
Spark Streaming提供了表示连续数据流的、高度抽象的被称为离散流的DStream。DStream本质上表示RDD的序列。任何对DStream的操作都会转变为对底层RDD的操作。
Spark Streaming使用数据源产生的数据流创建DStream，也可以在已有的DStream上使用一些操作来创建新的DStream。

在我们前面的实验中，每300秒会接收一批数据，基于这批数据会生成RDD，进而触发Job，执行处理。

DStream是一个没有边界的集合，没有大小的限制。
DStream代表了时空的概念。随着时间的推移，里面不断产生RDD。

锁定到时间片后，就是空间的操作，也就是对本时间片的对应批次的数据的处理。

下面用实例来讲解数据处理过程。
从Spark Streaming程序转换为Spark执行的作业的过程中，使用了DStreamGraph。
Spark Streaming程序中一般会有若干个对DStream的操作。DStreamGraph就是由这些操作的依赖关系构成。

看来我们的学习，将从Spark Streaming的现象开始，深入到Spark Core和Spark Streaming的本质。
备注：本博客内容来源于Spark发行版本定制课程

分类: Spark Streaming 进阶