Spark Streaming揭秘 Day32

WAL框架及实现

今天会聚焦于SparkStreaming中非常重要的数据安全机制WAL(预写日志)。

设计要点

从本质点说，WAL框架是一个存储系统，可以简单的认为是一个文件系统，其作用类似于BlockManager，
我们首先看一下官方的说明：

这里有三个要点：

总体上，sparksteaming是用WAL去保存接收到的数据，并且在写入数据后，要把元数据汇报给Driver，这样失败了才能恢复起来。
每当写入一个log，就返回一个handle，handle包含所有的从写入后的记录中恢复回原来数据的所有信息，和blockManager是一样的，使用时间来索引record，所以在sparkstreaming，WAL是顺序读写的。这个时间也方便我们进行清理(会有一个自己的超时时间)。具体的子类，必须确保数据是可持久化和可读取的。
为什么选择顺序写，是因为在数据备份的时候，效率会比较高。当读的时候，采用一块一块的读，而不是一条一条的读，找数据的时候，需要找到起始点，并结合数据长度来批量读取，而不是读一条，找一条。可以极大的节省读取的时间。

总体结构

WriteAheadLog作为一个抽象类，主要提供一些操作的方法，并没有说明如何对数据本身如何进行操作。因为具体的操作往往会涉及底层的存储系统。这种写法，可以使客户端依赖于抽象，而不是依赖于具体，既方便使用者，也方便开发者。最为关键的是下面三个方法：

write方法，输入一个ByteBuffer，ByteBuffer只是个很简单的java类，里面封装了一个字节数组。
read方法，基于handle，读取我们要读取的记录。
clean方法，threshTime是一个阀值，在之前的数据会被清理掉。

那handle里是啥呢，其实非常简单，WriteAheadLogRecordHandle也是抽象的。具体实现在FileBasedWriteAheadLogSegment：

这是个case class，只是保存了三个信息，数据文件路径、位置以及数据长度。

WriteAheadLog实现

FileBasedWriteAheadLog是WriteAheadLog一般情况下的实现。

让我们看下说明，在管理WAL文件时，会把数据周期性的写入日志文件中。当失败时，会从文件中恢复数据。
这里的关键是rolling的管理方式，这是写数据的一种特征，写log的时候，每隔一段时间，就把已经在写的文件关闭掉，再产生新的文件保存新的数据。这种方式的好处是：

写的文件，单个文件不会太大。
删除数据比较方便。

currentLogWriter是WAL中的关键，专门来写数据到log file中，一个文件会对应一个writer，产生新的文件就会有新的writer。实际存数据时是放在checkpoint Directory下的。

write方法，是写入数据到hadoop支持的文件系统中，并且会确保数据已经到了文件系统中。其中会根据时间获取writer来写入数据。

其中，getLogWriter放大，会根据时间，生成writer，从代码看，会按照时间分段来生成新文件。这是实现rolling方式的关键。

read方法，根据file segment来读数据，所以实际读数据时是一批一批读的。

intitializeOrRecover方法也是关键，在启动时调用，会根据文件信息恢复pastLogs，也就是说在记录log文件时，文件是自解释的，包含开始时间、结束时间和路径。

Writer和Reader实现

FileBasedWriteAheadLogWriter负责将数据写入日志文件中。

每次把数据写完的时候，都会记录offset和length。flush会调用文件系统的方法，优先使用hflush方法，否则使用sync方法。

FileBasedWriteAheadLogRandomReader是reader的默认实现，会根据给定handle返回block。

首先会使用seek方法跳到索引位置，此后采用原生字节操作进行读取，同时会加锁，返回时用HeapByteBuffer封装起来。

除了random的方式，还有一种顺序读的方式FileBasedWriteAheadLogReader，采用了迭代器来封装，数据在hasNext中产生，next方法只是读取结果。

WAL触发机制

那么，WAL机制在SparkStreaming框架中是如何触发的呢？

首先，在接收数据后，会判断是不是要进行WAL操作。

在构造时，createLog方法默认情况，就是创建了FileBasedWriteAheadLog，需要注意的是在WAL方式下数据副本只能有一个。

storeBlock方法中实际触发操作，这里构建了一个future(和blockManager是并行执行)，将数据写入WAL，在执行后会返回了handle并进行登记。

总结的来说，WAL比普通的文件操作，增加了时间的维度和索引位置两个因素，两个加起来形成了WAL框架。

欲知后事如何，且听下回分解!

DT大数据每天晚上20：00YY频道现场授课频道68917580