[Spark] 06 - What is Spark Streaming

前言

---

Ref: 一文读懂 Spark 和 Spark Streaming【简明扼要的概览】

在讲解 "流计算" 之前，先做一个简单的回顾，亲！

一、MapReduce 的问题所在

MapReduce 模型的诞生是大数据处理从无到有的飞跃。但随着技术的进步，对大数据处理的需求也变得越来越复杂，MapReduce 的问题也日渐凸显。

通常，我们将 MapReduce 的输入和输出数据保留在 HDFS 上，很多时候，复杂的 ETL、数据清洗等工作无法用一次 MapReduce 完成，所以需要将多个 MapReduce 过程连接起来：

Figure，上图中只有两个 MapReduce 串联，实际上可能有几十个甚至更多，依赖关系也更复杂。

这种方式下，每次中间结果都要写入 HDFS 落盘保存，代价很大（别忘了，HDFS 的每份数据都需要冗余若干份拷贝）。

另外，由于本质上是多次 MapReduce 任务，调度也比较麻烦，实时性无从谈起。

二、Spark 与 RDD 模型

Fault-tolerance

一般来说，想做到 fault-tolerance 只有两个方案：

1. 1. 要么存储到外部（例如 HDFS），
   2. 要么拷贝到多个副本。
   3. Spark 大胆地提出了第三种——重算一遍。

但是之所以能做到这一点，是依赖于一个额外的假设：所有计算过程都是确定性的（deterministic）。

Spark 借鉴了函数式编程思想，提出了 RDD（Resilient Distributed Datasets），译作“弹性分布式数据集”。

Figure，上图演示了 RDD 分区的恢复。为了简洁并没有画出分区，实际上恢复是以分区为单位的。

只读的、分区的 数据集合

RDD 的数据由多个分区（partition）构成，这些分区可以分布在集群的各个机器上，这也就是 RDD 中 “distributed” 的含义。

熟悉 DBMS（数据库管理系统）的同学可以把 RDD 理解为逻辑执行计划，partition 理解为物理执行计划。

窄依赖 & 宽依赖

之前有涉及到一部分内容：[Spark] 01 - What is Spark

简单的说，宽依赖就是 "一对多“。

在执行时，窄依赖可以很容易的按流水线（pipeline）的方式计算：对于每个分区从前到后依次代入各个算子即可。

然而，宽依赖需要等待前继 RDD 中所有分区计算完成；

换句话说，宽依赖就像一个栅栏（barrier）会阻塞到之前的所有计算完成。整个计算过程被宽依赖分割成多个阶段（stage），如上右图所示。

声明式编程 - Spark SQL

命令式 & 声明式 编程：声明式的要简洁的多！但声明式编程依赖于执行者产生真正的程序代码，所以除了上面这段程序，还需要把数据模型（即 schema）一并告知执行者。

声明式编程最广为人知的形式就是 SQL。Spark SQL 就是这样一个基于 SQL 的声明式编程接口。

你可以将它看作在 Spark 之上的一层封装，在 RDD 计算模型的基础上，提供了 DataFrame API 以及一个内置的 SQL 执行计划优化器 Catalyst。

代码生成（codegen）转化成直接对 RDD 的操作

DataFrame 就像数据库中的表，除了数据之外它还保存了数据的 schema 信息。

Catalyst 是一个内置的 SQL 优化器，负责把用户输入的 SQL 转化成执行计划。

Catelyst 强大之处是它利用了 Scala 提供的代码生成（codegen）机制，物理执行计划经过编译，产出的执行代码效率很高，和直接操作 RDD 的命令式代码几乎没有分别。

上图是 Catalyst 的工作流程，与大多数 SQL 优化器一样是一个 Cost-Based Optimizer (CBO)，但最后使用代码生成（codegen）转化成直接对 RDD 的操作。

流计算框架：Spark Streaming

---

基本认识

一、批处理 & 流计算

"批处理"和"流计算"被看作大数据系统的两个方面。

• • 以 Kafka、Storm 为代表的流计算框架用于实时计算，
  • 而 Spark 或 MapReduce 则负责每天、每小时的数据批处理。

在 ETL 等场合，这样的设计常常导致同样的计算逻辑被实现两次，耗费人力不说，保证一致性也是个问题。

Spark Streaming 基于 Spark，另辟蹊径提出了 D-Stream（Discretized Streams）方案：将流数据切成很小的批（micro-batch），用一系列的短暂、无状态、确定性的批处理实现流处理。

开发者只需要维护一套 ETL 逻辑即可同时用于批处理和流计算。

更快速的失败恢复

The figure,

• • 左图，为了在持续算子模型的流计算系统中保证一致性，不得不在主备机之间使用同步机制，导致性能损失，Spark Streaming 完全没有这个问题；
  • 右图，D-Stream 的原理示意图。

实际上，新的状态 RDD 总是不断生成，而旧的 RDD 并不会被“替代”，而是作为新 RDD 的前继依赖。

对于底层的 Spark 框架来说，并没有时间步的概念，有的只是不断扩张的 DAG 图和新的 RDD 节点。

Spark SQL 之 流处理

Spark 通过 Spark Streaming 拥有了流计算能力，那 Spark SQL 是否也能具有类似的流处理能力呢？答案是肯定的。

只要将数据流建模成一张不断增长、没有边界的表，在这样的语义之下，很多 SQL 操作等就能直接应用在流数据上。

出人意料的是，Spark Structured Streaming 的流式计算引擎并没有复用 Spark Streaming，而是在 Spark SQL 上设计了新的一套引擎。

因此，从 Spark SQL 迁移到 Spark Structured Streaming 十分容易，但从 Spark Streaming 迁移过来就要困难得多。

基于这样的模型，Spark SQL 中的大部分接口、实现都得以在 Spark Structured Streaming 中直接复用。

将用户的 SQL 执行计划转化成流计算执行计划的过程被称为增量化（incrementalize），这一步是由 Spark 框架自动完成的。

对于用户来说只要知道：每次计算的输入是某一小段时间的流数据，而输出是对应数据产生的计算结果。

二、窗口（window）

窗口（window）是对过去某段时间的定义。

批处理中，查询通常是全量的（例如：总用户量是多少）；而流计算中，我们通常关心近期一段时间的数据（例如：最近24小时新增的用户量是多少）。

用户通过选用合适的窗口来获得自己所需的计算结果，常见的窗口有滑动窗口（Sliding Window）、滚动窗口（Tumbling Window）等。

三、水位（watermark）

水位（watermark）用来丢弃过早的数据。

在流计算中，上游的输入事件可能存在不确定的延迟，而流计算系统的内存是有限的、只能保存有限的状态，一定时间之后必须丢弃历史数据。

以双流 A JOIN B 为例，假设窗口为 1 小时，那么 A 中比当前时间减 1 小时更早的数据（行）会被丢弃；如果 B 中出现 1 小时前的事件，因为无法处理只能忽略。

四、三个角色

Spark 中有三个角色：Driver, Worker 和 Cluster Manager。

• 驱动程序（Driver）即用户编写的程序，对应一个 SparkContext，负责任务的构造、调度、故障恢复等。驱动程序可以直接运行在客户端，例如用户的应用程序中；也可以托管在 Master 上，这被称为集群模式（cluster mode），通常用于流计算等长期任务。
• Cluster Manager 顾名思义负责集群的资源分配，Spark 自带的 Spark Master 支持任务的资源分配，并包含一个 Web UI 用来监控任务运行状况。多个 Master 可以构成一主多备，通过 ZooKeeper 进行协调和故障恢复。通常 Spark 集群使用 Spark Master 即可，但如果用户的集群中不仅有 Spark 框架、还要承担其他任务，官方推荐使用 Mesos 作为集群调度器。
• Worker节点 负责执行计算任务，上面保存了 RDD 等数据。

五、总结

Spark 是一个同时支持批处理和流计算的分布式计算系统。Spark 的所有计算均构建于 RDD 之上，RDD 通过算子连接形成 DAG 的执行计划，RDD 的确定性及不可变性是 Spark 实现故障恢复的基础。Spark Streaming 的 D-Stream 本质上也是将输入数据分成一个个 micro-batch 的 RDD。

Spark SQL 是在 RDD 之上的一层封装，相比原始 RDD，DataFrame API 支持数据表的 schema 信息，从而可以执行 SQL 关系型查询，大幅降低了开发成本。

Spark Structured Streaming 是 Spark SQL 的流计算版本，它将输入的数据流看作不断追加的数据行。

至此，通过 一文读懂 Spark 和 Spark Streaming 了解了大概框架和概念，下面继续”厦大“课程的学习，goto: 流计算概述

流计算概述

一、流计算特征

• 快速到达，大小不定；
• 来源众多，格式复杂；
• 一次性处理，也可以之后丢弃；
• 总体价值大于个别数据；
• 顺序以及完整性不太重要；

二、流计算应用

对时间比较敏感，过去太久的数据，其价值迅速降低。比如：用户点击流。

根据大数据，进行秒级响应进行商品推荐。

三、流计算框架

• 高性能
• 海量式
• 实时性
• 分布式
• 可靠性

• 商业级流计算平台：IBM StreamBase, IBM InfoSphere Streams
• 开源流计算框架：Twitter Storm, Yahoo! S4
• 定制流计算框架：Dstream (Baidu), Puma (Facebook)

1. 数据实时采集（每秒数百MB的数据采集，such as Facebook Scribe, Linkedin Kafka, Chukwa, Flume）
2. 数据实时计算
3. 数据实时服务

既然是实时结果，那自然是主动推送给用户，也就是实时推荐。

SparkStreaming解析

重要角色

DStream 角色

本质是“tiny batch processing"，切分到秒级响应。

DStream就是一堆Tiny RDD的集合，使用”微小“批处理模拟流计算。

Receiver 角色

每个receiver 单独负责一个 Input DStream。

• • 套接字流
  • 文件流
  • 从Kafka中读取的输入流

Receiver监控这几种流，然后交给流计算组件去处理。

End.