第一部分对StreamingContext功能及源码剖析;
第二部分对DStream功能及源码剖析;
第三部分对Receiver功能及源码剖析;
最后一部分将StreamingContext、DStream、Receiver结合起来分析其流程。
一、StreamingContext功能及源码剖析:
1、通过StreamingContext实例对象jssc,创建应用程序主入口,并连上Driver上的接收数据服务端口9999写入源数据:
2、StreamingContext的主要功能有:
-
主程序的入口;
-
提供了各种创建DStream 的方法接收各种流入的数据源(例如:Kafka 、Flume 、Twitter 、ZeroMQ 和简单的TCP 套接字等);
-
通过构造函数实例化 StreamingContext 对象 时,可以指定master URL 、appName 、或者传入SparkConf 配置对象、或者已经创建的SparkContext 对象;
-
将接收的数据流传入DStreams 对象中;
-
通过StreamingContext 对象实例的start 方法启动当前应用程序的流计算框架或通过stop 方法结束当前应用程序的流计算框架。
二、DStream功能及源码剖析:
1、DStream是RDD的模板,RDD是抽象的,DStream也是抽象的。
2、DStream的具体实现子类如下图所示:
3、以StreamingContext实例的socketTextSteam方法为例,其执行完的结果返回DStream对象实例,其源码调用过程如下图:
注意:socket.getInputStream用来获取数据,while循环用来存储数据(到内存、磁盘)。
三、Receiver功能及源码剖析:
1、Receiver代表数据的输入,接收外部输入的数据,如从Kafka上抓取数据;
2、Receiver运行在Worker节点上;
3、Receiver在Worker节点上抓取Kafka分布式消息框架上的数据时,具体实现类是KafkaReceiver;
4、Receiver是抽象类,其抓取数据的实现子类如下图所示;
5、如果上述实现类都满足不了您的要求,您自己可以定义Receiver类,只需要继承Receiver抽象类来实现自己子类的业务需求。
四、StreamingContext、DStream、Receiver结合流程分析:
(1)inputStream代表了数据输入流(如:Socket、Kafka、Flume等)
(2)Transformation代表了对数据的一系列操作,如flatMap、map等
(3)outputStream代表了数据的输出,例如wordCount中的println方法
数据数据在流进来之后最终会生成Job,最终还是基于Spark Core的RDD进行执行:在处理流进来的数据时是DStream进行Transformation由于是StreamingContext所以根本不会去运行,StreamingContext会根据Transformation生成”DStream的链条”及DStreamGraph,而DStreamGraph就是DAG的模板,这个模板是被框架托管的。当我们指定时间间隔的时候,Driver端就会根据这个时间间隔来触发Job而触发Job的方法就是根据OutputDStream中指定的具体的function,例如wordcount中print,这个函数一定会传给ForEachDStream,它会把函数交给最后一个DStream产生的RDD,也就是RDD的print操作,而这个操作就是RDD触发Action。
总结:
使用Spark Streaming可以处理各种数据来源类型,如:数据库、HDFS,服务器log日志、网络流,其强大超越了你想象不到的场景,只是很多时候大家不会用,其真正原因是对Spark、sparkstreaming本身不了解。
课程笔记来源:
DT大数据梦工厂IMF传奇行动课程学员整理。YY直播永久课堂频道68917580每晚8点准时开课。
Life is short, you need spark!