美文网首页全栈工程师
1. spark streaming Job 架构和容错解析

1. spark streaming Job 架构和容错解析

作者: 尼小摩 | 来源:发表于2018-06-28 14:24 被阅读16次

    一.Spark streaming Job 架构

    SparkStreaming框架会自动启动Job并每隔BatchDuration时间会自动触发Job的调用。

    Spark Streaming的Job 分为两大类:

    1. 每隔BatchInterval时间片就会产生的一个个Job,这里的Job并不是Spark Core中的Job,它只是基于DStreamGraph而生成的RDD的DAG而已;从Java角度讲相当于Runnable接口的实现类,要想运行Job需要将Job提交给JobScheduler,在JobScheduler内部会通过线程池的方式创建运行Job的一个个线程,当找到一个空闲的线程后会将Job提交到集群运行(其实是在线程中基于RDD的Action触发真正的作业的运行)。为什么使用线程池呢?

      a. Job根据BatchInterval不断生成,为了减少线程创建而带来的效率提升我们需要使用线程池(这和在Executor中通过启动线程池的方式来执行Task有异曲同工之妙);

      b. 如果Job的运行设置为FAIR公平调度的方式,这个时候也需要多线程的支持;

    2. 上面Job提交的Spark Job本身。单从这个时刻来看,此次的Job和Spark core中的Job没有任何的区别。

    理解Spark Streaming的Job的整个架构和运行机制对于精通Spark Streaming是至关重要的。

    我们运行以下的程序,通过这个程序的运行过程进一步加深理解Spark Streaming流处理的Job的执行的过程,代码如下:

    import java.sql.Connection;
    import java.sql.DriverManager;
    import java.util.LinkedList;
    
    public class ConnectionPool {
    
    private static LinkedList<Connection> connectionQueue;
    
    static {
    try {
    Class.forName("com.mysql.jdbc.Driver");
    } catch (ClassNotFoundException e) {
    e.printStackTrace();
    } 
    }
    
    public synchronized static Connection getConnection() {
    try {
    if(connectionQueue == null) {
    connectionQueue = new LinkedList<Connection>();
    for(int i = 0; i < 5; i++) {
    Connection conn = DriverManager.getConnection(
    "jdbc:mysql://Master:3306/sparkstreaming",
    "root",
    "778899..");
    connectionQueue.push(conn); 
    }
    }
    } catch (Exception e) {
    e.printStackTrace();
    }
    return connectionQueue.poll();
    }
    
    public static void returnConnection(Connection conn) {
    connectionQueue.push(conn); 
    }
    }
    
    第二部分: 通过sparkstreaming 将网络产生的数据进行统计统计,并将结果写入mysql数据库
    
    object OnlineForeachRDD2DB {
    
      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("OnlineForeachRDD") //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
    
        conf.setMaster("local[6]")
    
        //设置batchDuration时间间隔来控制Job生成的频率并且创建Spark Streaming执行的入口
    
        val ssc = new StreamingContext(conf, Seconds(5))
    
        val lines = ssc.socketTextStream("Master", 9999)
    
        val words = lines.flatMap(_.split(" "))
    
        val wordCounts = words.map(x => (x, 1)).reduceByKey(_ + _)
    
    
    
        wordCounts.foreachRDD{ rdd =>
    
          rdd.foreachPartition{ partitionOfRecords => {
    
            // ConnectionPool is a static, lazily initialized pool of connections
    
            val connection = ConnectionPool.getConnection()
    
            partitionOfRecords.foreach(record => {
    
              val sql = "insert into streaming_itemcount(item,count) values('" + record._1 + "'," + record._2 + ")"
    
              val stmt = connection.createStatement();
    
              stmt.executeUpdate(sql);
    
            })
    
            ConnectionPool.returnConnection(connection)  // return to the pool for future reuse
    
          }}
    
        }
    
    
    
        /**
    
          *  在StreamingContext调用start方法的内部其实是会启动JobScheduler的Start方法,进行消息循环,
    
          *  在JobScheduler的start内部会构造JobGenerator和ReceiverTacker,并且调用JobGenerator和
    
          *  ReceiverTacker的start方法:
    
          *  1,JobGenerator启动后会不断的根据batchDuration生成一个个的Job
    
          *  2,ReceiverTracker启动后首先在Spark Cluster中启动Receiver(其实是在Executor中先启动
    
          *  ReceiverSupervisor),在Receiver收到数据后会通过ReceiverSupervisor存储到Executor并且把
    
          *  数据的Metadata信息发送给Driver中的ReceiverTracker,在ReceiverTracker内部会通过
    
          *  ReceivedBlockTracker来管理接受到的元数据信息每个BatchInterval会产生一个具体的Job,
    
          *  其实这里的Job不是Spark Core中所指的Job,它只是基于DStreamGraph而生成的RDD的DAG
    
          *  而已,从Java角度讲,相当于Runnable接口实例,此时要想运行Job需要提交给JobScheduler,
    
          *  在JobScheduler中通过线程池的方式找到一个单独的线程来提交Job到集群运行(其实是在线程中
    
          *  基于RDD的Action触发真正的作业的运行),
    
          *  为什么使用线程池呢?
    
          *  1,作业不断生成,所以为了提升效率,我们需要线程池;这和在Executor中通过线程池执行Task
    
          *  有异曲同工之妙;
    
          *  2,有可能设置了Job的FAIR公平调度的方式,这个时候也需要多线程的支持。
    
          */
    
        ssc.start()
    
        ssc.awaitTermination()
    
      }
    
    }
    

    代码中以注释的方式描述了Spakr job 启动的过程,下面结合源码做进一步分析:
    StreamingContext的start()方法:

    /**
     * Start the execution of the streams.
     *
     * @throws IllegalStateException if the StreamingContext is already stopped.
     */
    def start(): Unit = synchronized {
      state match {
        case INITIALIZED =>
          startSite.set(DStream.getCreationSite())
          StreamingContext.ACTIVATION_LOCK.synchronized {
            StreamingContext.assertNoOtherContextIsActive()
            try {
              validate()
    
              // Start the streaming scheduler in a new thread, so that thread local properties
              // like call sites and job groups can be reset without affecting those of the
              // current thread.
              ThreadUtils.runInNewThread("streaming-start") {
                sparkContext.setCallSite(startSite.get)
                sparkContext.clearJobGroup()
                sparkContext.setLocalProperty(SparkContext.SPARK_JOB_INTERRUPT_ON_CANCEL, "false")
                savedProperties.set(SerializationUtils.clone(
                  sparkContext.localProperties.get()).asInstanceOf[Properties])
              scheduler.start()
              }
              state = StreamingContextState.ACTIVE
            } catch {
              case NonFatal(e) =>
                logError("Error starting the context, marking it as stopped", e)
                scheduler.stop(false)
                state = StreamingContextState.STOPPED
                throw e
            }
            StreamingContext.setActiveContext(this)
          }
          shutdownHookRef = ShutdownHookManager.addShutdownHook(
            StreamingContext.SHUTDOWN_HOOK_PRIORITY)(stopOnShutdown)
          // Registering Streaming Metrics at the start of the StreamingContext
          assert(env.metricsSystem != null)
          env.metricsSystem.registerSource(streamingSource)
          uiTab.foreach(_.attach())
          logInfo("StreamingContext started")
        case ACTIVE =>
          logWarning("StreamingContext has already been started")
        case STOPPED =>
          throw new IllegalStateException("StreamingContext has already been stopped")
      }
    }
    

    可以看到StreamingContext的start()的方法中调用了scheduler.start(),其scheduler 是JobScheduler的对象,该对象在StreamingContext创建是被实例化:

    private[streaming] val scheduler = new JobScheduler(this)
    

    接下来在JobScheduler.start()内部实例化EventLoop,并执行EventLoop.start()进行消息循环,在JobScheduler.start()内部构造ReceiverTacker,并且调用JobGenerator和ReceiverTacker的start方法:



    JobGenerator的start()方法中会调用startFirstTime()方法和restart()方法



    最终调用generateJobs()方法不断生成job:

    ReceiverTracker启动后首先在Spark Cluster中启动Receiver(其实是在Executor中先启动 ReceiverSupervisor),在Receiver收到数据后会通过ReceiverSupervisor存储到Executor并且把数据的Metadata信息发送给Driver中的ReceiverTracker,在ReceiverTracker内部会通过ReceivedBlockTracker来管理接受到的元数据信息.过程如图所示:



    源码如下:(注意红色字体部分代码)

    每个BatchInterval会产生一个具体的Job,其实这里的Job不是Spark Core中所指的Job,它只是基于DStreamGraph而生成的RDD的DAG而已,从Java角度讲,相当于Runnable接口实例,此时要想运行Job需要提交给JobScheduler, 在JobScheduler中通过线程池的方式找到一个单独的线程来提交Job到集群运行(其实是在线程中 基于RDD的Action触发真正的作业的运行)

    二 Spark Streaming Job容错架构和运行机制

    Spark容错分为:Driver级别的容错和Executor级别的容错。

    • 在Driver级别的容错具体为DAG生成的模板,即DStreamGraph,RecevierTracker中存储的元数据信息和JobScheduler中存储的Job进行的进度情况等信息,只要通过checkpoint就可以了,每个Job生成之前进行checkpoint,在Job生成之后再进行checkpoint,如果出错的话就从checkpoint中恢复。
    • 在Executor级别的容错具体为接收数据的安全性和任务执行的安全性。在接收数据安全性方面,一种方式是Spark Streaming接收到数据默认为MEMORY_AND_DISK_2的方式,在两台机器的内存中,如果一台机器上的Executor挂了,立即切换到另一台机器上的Executor,这种方式一般情况下非常可靠且没有切换时间。另外一种方式是WAL(Write Ahead Log),在数据到来时先通过WAL机制将数据进行日志记录,如果有问题则从日志记录中恢复,然后再把数据存到Executor中,再进行其他副本的复制。WAL这种方式对性能有影响,在生产环境中不常用,一般使用Kafka存储,Spark Streaming接收到数据丢失时可以从Kafka中回放。在任务执行的安全性方面,靠RDD的容错。

    Spark Streaming的容错机制是基于RDD的容错机制。

    主要表现为:
      1. checkpoint
      2. 基于血统(lineage)的高度容错机制
      3. 出错了之后会从出错的位置从新计算,而不会导致重复计算

    相关文章

      网友评论

        本文标题:1. spark streaming Job 架构和容错解析

        本文链接:https://www.haomeiwen.com/subject/gglgyftx.html