第12课：Spark Streaming源码解读之Executo

一、Spark Streaming 数据安全性的考虑：

Spark Streaming不断的接收数据，并且不断的产生Job，不断的提交Job给集群运行。所以这就涉及到一个非常重要的问题数据安全性。

Spark Streaming是基于Spark Core之上的，如果能够确保数据安全可好的话，在Spark Streaming生成Job的时候里面是基于RDD，即使运行的时候出现问题，那么Spark Streaming也可以借助Spark Core的容错机制自动容错。

对Executor容错主要是对数据的安全容错

为啥这里不考虑对数据计算的容错：计算的时候Spark Streaming是借助于Spark Core之上的容错的，所以天然就是安全可靠的。

Executor容错方式：

1. 最简单的容错是副本方式，基于底层BlockManager副本容错，也是默认的容错方式。

2.WAL日志方式

3. 接收到数据之后不做副本，支持数据重放，所谓重放就是支持反复读取数据。

BlockManager备份：

默认在内存中两份副本，也就是Spark Streaming的Receiver接收到数据之后存储的时候指定StorageLevel为MEMORY_AND_DISK_SER_2，底层存储是交给BlockManager，BlockManager的语义确保了如果指定了两份副本，一般都在内存中。所以至少两个Executor中都会有数据。

Receiver将数据交给BlockManger是由ReceiveredBlockHandler来处理的，有两种ReceiveredBlockHandler的实现：

1.WriteAheadLogBasedBlockHandler

2.BlockManagerBasedBlockHandler

这里的storageLevel是构建InputDStream时传入的，socketTextStream的默认存储级别是StorageLevel.MEMORY_AND_DISK_SER_2

如果使用WriteAheadLogBasedBlockHandler需要开启WAL，默认并没有开启：

WAL日志方式：

这种方式会现将数据写入日志文件，就是checkpoint目录，出现异常是，从checkpoint目录重新读取数据，进行恢复。启动WAL时候，没必要将副本数设置成大于1，也不需要序列化。

WAL会将数据同时写入BlockManager和write ahead log，而且是并行的写block，当然两处的block存储完成，才会返回。

将Block 存入BlockManager：

将Block 存入WAL日志：

WAL写数据的时候是顺序写，数据不可修改，所以读的时候只需要按照指针(也就是要读的record在那，长度是多少)读即可。所以WAL的速度非常快。

浏览一下WriteAheadLog，他是一个抽象类：

看一下WriteAheadLog的一个实现类FileBasedWriteAheadLog的write方法：

根据不同时间获取不同Writer将序列化结果写入文件,返回一个FileBasedWriteAheadLogSegment类型的对象fileSegment。

读数据：

其中创建了一个FileBaseWriteAheadLogRandomReader对象，然后调用了该对象的read方法:

支持数据重放。

在实际的开发中直接使用Kafka，因为不需要容错，也不需要副本。

Kafka有Receiver方式和Direct方式

Receiver方式：是交给Zookeeper去管理数据的，也就是偏移量offSet.如果失效后，Kafka会基于offSet重新读取，因为处理数据的时候中途崩溃，不会给Zookeeper发送ACK，此时Zookeeper认为你并没有消息这个数据。但是在实际中越来用的越多的是Direct的方式直接操作offSet.而且还是自己管理offSet.

DirectKafkaInputDStream会去查看最新的offSet,并且把offSet放到Batch中。

在Batch每次生成的时候都会调用latestLeaderOffsets查看最近的offSet,此时的offSet就会与上一个offSet相减获得这个Batch的范围。这样就可以知道读那些数据。

转载请注明出去：http://www.jianshu.com/users/4435a13863fb/latest_articles