1、sparkStreaming概述

1.1 SparkStreaming是什么

• 它是一个可扩展，高吞吐具有容错性的流式计算框架

  吞吐量：单位时间内成功传输数据的数量

之前我们接触的spark-core和spark-sql都是处理属于离线批处理任务，数据一般都是在那里的，通常我们写好一个脚本，每天定时去处理数据，计算，保存数据结果。这类任务通常是T+1(一天一个任务)，对实时性要求不高。

但在企业中存在很多实时性处理的需求，例如：双十一的京东阿里，通常会做一个实时的数据大屏，显示实时订单。这种情况下，对数据实时性要求较高，仅仅能够容忍到延迟1分钟或几秒钟。

实时计算框架对比

Storm

• 流式计算框架
• 以record为单位处理数据
• 也支持micro-batch方式（Trident）

Spark

• 批处理计算框架
• 以RDD为单位处理数据
• 也支持micro-batch流式处理数据（Spark Streaming）

对比：

• 吞吐量：Spark Streaming优于Storm
• 延迟：Spark Streaming差于Storm

1.2 Spark Streaming的组件

• Streaming Context：在Spark Context中申请的资源上进行计算的抽象类
• Dstream（离散流）：计算过程中的数据结构，类似RDD

1，Receiver：用于接收数据

2，数据源：基本源、高级源

基本源：

• TCP/IP Socket
• FileSystem
• Akka

高级源（需要额外的类）

• Kafka
• Flume

3，可靠性

4，Dstream的操作

5，缓存

6，Checkpoint

Spark Streaming在运算过程中如何保证数据不丢失：副本、缓存、检查点

Streaming Context

• Spark Streaming程序入口

  

• 一旦一个context已经启动，就不能有新的流算子建立或者是添加到context中。

• 一旦一个context已经停止，它就不能再重新启动
• 在JVM中，同一时间只能有一个StreamingContext处于活跃状态
• 在StreamingContext上调用stop()方法，也会关闭SparkContext对象。如果只想关闭StreamingContext对象，设置stop()的可选参数为false
• 一个SparkContext对象可以重复利用去创建多个StreamingContext对象，前提条件是前面的StreamingContext在后面StreamingContext创建之前关闭（不关闭SparkContext）

DSteam

• 代表一个连续的数据流
• 在内部，DStream由一系列连续的RDD组成
• DStreams中的每个RDD都包含确定时间间隔内的数据
• 任何对DStreams的操作都转换成了对DStreams隐含的RDD的操作

通常情况下一个DStream对应一个Receiver

CheckPoint

• streamingContext.checkpoint(checkpointDirectory)

  StreamingContext的检查点是设置检查点目录

• dstream.checkpoint：设置检查点的时间间隔，设置checkpoint间隔是DStream的滑动间隔的5-10倍