SparkStreaming的介绍及原理

大家好，又见面了，我是你们的朋友全栈君。

一、SparkStreaming的介绍

1.离线和流处理的区别

• 1）离线处理是针对一个批次，这个批次一般情况下都比较大流处理对应的数据是连续不断产生，处理时间间隔非常短的数据
• 2）离线处理程序，因为数据是有限的（bounded），所以会终止流数据因为是连续不断的产生，所以数据是无限的（unbounded）

• 3. 由于数据的特征，一般离线处理比较缓慢，流数据处理相对较快

     流处理：
             实时流处理：（Storm 、Flink）
               每一条记录，都会提交一次计算作业。
               每一条记录，一般都被称为一个事件
           准实时流处理：（Spark Streaming）
                介于批处理和实时流处理之间，是一个较小的时间间隔的数据处理
                其底层原理还是基于SparkCore来处理
     

2.Spark Streaming的简介

• 1）Spark Streaming 其实就是一种spark提供的，对于大数据，进实时计算的一种框架。基本的计算模型，

• 2）针对实时计算的特点，在RDD之上，进行了一层封装，叫做DStream。

• 3）Spark的运行模式多种多样，灵活多变，部署在单机上时，既以用本地模式运行，也可以用伪分布式模式运行。

• 4）Spark Streaming是Spark Core
  API的一种扩展，它可以用于进行大规模、高吞吐量、容错的实时数据流的处理。它支持从很多种数据源中读取数据，比如Kafka、Flume等。并且能够使用类似高阶函数的复杂算法来进行数据处理，比如map、reduce、join和window。处理后的数据可以被保存到文件系统、数据库、Dashboard等存储中。
  

二、Spark Streaming基本工作原理介绍

1.Spark Streaming提供了一种高级的抽象，DStream

“离散流”，它代表了一持续不断的数据流，DStream可以通过输入数源来创建，比如kafka、Flume等
1）. DStream的内部，其实是一系列持续不断产生的RDD。
DStream中的每个RDD都包括了一个时间段内的数据。

2.Spark Streaming由Spark Core的计算引擎来实现的

• 1）对DStream应用的算子，比如map，其实在底层都会被翻译为DStream中 每个RDD的操作。
• 2） Spark Streaming 对Spark Core 进行了一层封装，隐藏了节，然后对开发人员提供了方便易用的高层次的API。
• 
  3）步骤
  1、接受实时输入数据流，然后将数据拆分成多个batch(比如每收集1秒的数据封装为一个batch)
  2、将每个batch交给Spark的计算引擎进行处理，最后生产出一个结果数据流（其中的数据，也是由一个一个的batch所组成）

三、Spark Streaming与其他流式框的对比分析

• 1、SparkStreaming绝对谈不上比Storm、Flink优秀。这两个框架在实时计算领域中，都很优秀，只是擅长的细分场景并不相同。
• 2、Spark Streaming在吞吐量上要比Storm优秀。
• 3、Storm在实时延迟度上，比SparkStreaming就好多了，前者是纯实时，后者是准实时。而且，Storm的事务机制、健壮性/容错性、动态调整并行度等特性，都要比Spark
  Streaming更加优秀。
• 4、Spark Streaming，有一点是Storm绝对比不上的，就是：它位于Spark整个生态技术栈中，因此Spark Streaming可以和Spark Core、SparkSQL、Spark　Ｇraphx无缝整合，换句话说，我们可以对实时处理出来的中间数据，立即在程序中无缝进行延迟批处理、交互式查询等操作。这个特点大大增强了Spark
  Streaming的优势和功能。

四、Spark Streaming 核心术语

1.离散流（DStream） :
这是 Spark Streaming 对内部持续的实时数据流的抽象描述，即我们处理的一个实时数据流，在 Spark Streaming 中对应于一个 DStream 实例。
2.批数据（batch data）:
这是化整为零的第一步，将实时流数据以时间片为单位进行分批，将流处理转化为时间片数据的批处理。
3.时间片或批处理时间间隔（batch interval）
这是人为地对流数据进行定量的标准，以时间片作为我们拆分流数据的依据。一个时间片的数据对应一个 RDD 实例。
4.窗口长度（window length）
一个窗口覆盖的流数据的时间长度。必须是批处理时间间隔的倍数
5.滑动时间间隔
前一个窗口到后一个窗口所经过的时间长度。必须是批处理时间间隔的倍数
6.Input DStream
一个InputDStream是一个特殊的DStream,将Spark Streaming连接到一个外部数据源来读取数据

1.DStream相关操作
DStream上的原语与RDD类似，分为Transformations(转换)和Output Operations(输出和RDD的action操作类似)两种。

2.StreamingContext
在Spark Streaming当中，StreamingContext是整个程序的入口

object StreamingContextTest {
 def main(args: Array[String]): Unit = {
 val sparkConf = new SparkConf().setAppName("SCTest").setMaster("local[4]")
 val streamingContext = new StreamingContext(sparkConf, Seconds(2))
 }
}

当创建完成StreamingContext之后，再按下列步骤进行：

1、通过输入源创建 InputDStream
2、对 DStream 进行 transformation 和 output 操作，这样操作构成了后期流式计算的逻辑
3、 通过 streamingContext.start()方法启动接收和处理数据的流程
4、使用 streamingContext.awaitTermination()方法等待程序结束（手动停止或出错停止）
5、也可以调用 streamingContext.stop()方法结束程序的

3.InputDStreams 和Receivers

InputDStream 指的是从数据流的源头接受的输入数据流，在将来习的 StreamingWordCount程序当中，val lines =ssc.textFileStream(args(0)) 就是一种 InputDStream。除文件流外每个InputDStream 都关联一个 Receiver 对象，该 Receiver 对象接收数据源传来的数据并将其保存在内存中以便后期 Spark 处理。
Spark Streaming提供两种原生支持的数据源和自定义的数据源:

1、Basic Sources（基础数据源）
直接通过 StreamingContext API 创建，例如文件系统（本地文件系统及分布式文件系统）、Socket 连接及 Akka 的 Actor。
2、Advanced Sources（高级流数据源）
如 Kafka, Flume, Kinesis, Twitter 等，需要借助外部工具类，在运行时需要外部依赖（下一节内容中介绍）
3、Custom Sources（自定义流数据源）
Spark Streaming 还支持用户，它需要用户定义 receiver

注意：

1、在本地运行 Spark Streaming 时，master URL 能使用”local”或”local[1] ”，因为当 Input DStream 与 Receiver（如sockets, Kafka, Flume 等）关联时，Receiver 自身就需要一个线程来运行，
2、在集群上运行 Spark Streaming 时，分配给 Spark Streaming 程的 CPU 核数也必须大于receiver 的数量，否则系统将只接受数据，无法处理数据。