春城无处不飞花，小白带你侃SparkStreaming(原理引入篇)数据库Alice菌的博客-

写在前面： 博主是一名软件工程系大数据应用开发专业大二的学生，昵称来源于《爱丽丝梦游仙境》中的Alice和自己的昵称。作为一名互联网小白，写博客一方面是为了记录自己的学习历程，一方面是希望能够帮助到很多和自己一样处于起步阶段的萌新。由于水平有限，博客中难免会有一些错误，有纰漏之处恳请各位大佬不吝赐教！个人小站:https://alices.ibilibili.xyz/ , 博客主页:https://alice.blog.csdn.net/
尽管当前水平可能不及各位大佬，但我还是希望自己能够做得更好，因为一天的生活就是一生的缩影。我希望在最美的年华，做最好的自己！

        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!

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

• 官网
  https://spark.apache.org/streaming/
• 概述

        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关注支持一波(＾Ｕ＾)ノ~ＹＯ