标签：你侃 春城 Streaming 实时 SparkStreaming RDD Spark DStream
介绍完了SparkSQL，接下来让我们推开SparkStreaming的大门，接收新知识的洗礼。跟刚入坑SparkSQL时一样，让我们来回顾一下Spark的内置模块。
相信勤奋好学的大家肯定都还记得的对吧，那么接下来我们就要正式开始学习SparkStreaming咯~
码字不易，先赞后看，养成习惯!
文章目录
第一章 Spark Streaming引入
1.1 新的场景需求
- 集群监控
一般的大型集群和平台, 都需要对其进行监控的需求。要针对各种数据库, 包括 MySQL, HBase 等进行监控；要针对应用进行监控, 例如 Tomcat, Nginx, Node.js 等；要针对硬件的一些指标进行监控, 例如 CPU, 内存, 磁盘 等。
- 双11实时交易数据大屏
- 智慧公厕
1.2 Spark Streaming介绍
Spark Streaming是一个基于Spark Core之上的实时计算框架，可以从很多数据源消费数据并对数据进行实时的处理，具有高吞吐量和容错能力强等特点。
- Spark Streaming的特点
1.易用
可以像编写离线批处理一样去编写流式程序，支持java/scala/python语言。
2.容错
SparkStreaming在没有额外代码和配置的情况下可以恢复丢失的工作。
3.易整合到Spark体系
流式处理与批处理和交互式查询相结合。
1.3 实时计算所处的位置
我们也可以看到SparkStreaming也是做分布式实时计算的，但具体其原理是什么，如何操作？具体讲解请往下看。
第二章 SparkStreaming原理
2.1 SparkStreaming原理
2.1.1 整体流程
Spark Streaming中，会有一个接收器组件Receiver，作为一个长期运行的task跑在一个Executor上。Receiver接收外部的数据流形成input DStream
DStream会被按照时间间隔划分成一批一批的RDD，当批处理间隔缩短到秒级时，便可以用于处理实时数据流。时间间隔的大小可以由参数指定，一般设置在500毫秒到几秒之间
对DStream进行操作就是对RDD进行操作，计算处理的结果可以传给外部系统。
Spark Streaming的工作流程像下面的图所示一样，接收到实时数据后，给数据分批次，然后传给Spark Engine（引擎）处理最后生成该批次的结果。
2.1.2 数据抽象
Spark Streaming的基础抽象是DStream(Discretized Stream，离散化数据流，连续不断的数据流)，代表持续性的数据流和经过各种Spark算子操作后的结果数据流
- 可以从以下多个角度深入理解DStream
1.DStream本质上就是一系列时间上连续的RDD
2.对DStream的数据的进行操作也是按照RDD为单位来进行的
3.容错性
底层RDD之间存在依赖关系，DStream直接也有依赖关系，RDD具有容错性，那么DStream也具有容错性
如图:
每一个椭圆形表示一个RDD
椭圆形中的每个圆形代表一个RDD中的一个Partition分区
每一列的多个RDD表示一个DStream(图中有三列所以有三个DStream)
每一行最后一个RDD则表示每一个Batch Size所产生的中间结果RDD
4.准实时性/近实时性
Spark Streaming将流式计算分解成多个Spark Job，对于每一时间段数据的处理都会经过Spark DAG图分解以及Spark的任务集的调度过程。
对于目前版本的Spark Streaming而言，其最小的Batch Size的选取在0.5~5秒钟之间
所以Spark Streaming能够满足流式准实时计算场景，对实时性要求非常高的如高频实时交易场景则不太适合
- 总结
简单来说DStream就是对RDD的封装，你对DStream进行操作，就是对RDD进行操作。对于DataFrame/DataSet/DStream来说本质上都可以理解成RDD
2.2 DStream相关操作
DStream上的操作与RDD的类似，分为以下两种：
- Transformations(转换)
- Output Operations(输出)/Active
2.2.1 Transformations
- 常见Transformation—无状态转换：每个批次的处理不依赖于之前批次的数据
- 特殊的Transformations—有状态转换：特殊的Transformations—有状态转换：当前批次的处理需要使用之前批次的数据或者中间结果。
有状态转换包括基于追踪状态变化的转换(updateStateByKey)和滑动窗口的转换
- 1.UpdateStateByKey(func)
- 2.Window Operations 窗口操作
2.2.2 Output/Action
Output Operations可以将DStream的数据输出到外部的数据库或文件系统。当某个Output Operations被调用时，spark streaming程序才会开始真正的计算过程(与RDD的Action类似)
2.3 总结
如果说用一幅图来总结上面的核心知识点，我觉得下面这个流程图就很不错~
好了，本篇主要讲解的都是基于SparkStreaming的基础理论，下一篇博客博主将带来实战篇，敬请期待!!!受益的朋友或对大数据技术感兴趣的伙伴记得点赞关注支持一波(＾Ｕ＾)ノ~ＹＯ
标签：你侃,春城,Streaming,实时,SparkStreaming,RDD,Spark,DStream 来源： https://blog.51cto.com/u_15105906/2842756
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。