浅谈Spark2.x中的Structured Streaming

在Spark2.x中，Spark Streaming获得了比较全面的升级，称为Structured Streaming，和之前的很不同，功能更强大，效率更高，跟其他的组件整合性也更好。

连续应用程序continuous application

首先，也是最重要的，在2.x中，提出了一个叫做continuous applications连续应用程序的概念。
如下图所示，数据从Kafka中流进来，通过ETL操作进行数据清洗，清洗出来作为目标数据进行进一步处理，可能是机器学习，也可能是交互式查询，也有可能直接把数据存在数据库或者其他外部存储设备，也有可能是直接交给已有的应用程序。也就是说SparkStreaming从获得数据后，能把全部处理环节串联起来，称之为端到端(End to end)处理!!!

举个例子：如果要将货物进行海运，大致会下面这些阶段：
货物从仓库运出-->出来之后装上车-->到车开动-->车在马路上行驶-->到了码头停下来-->货物从车上卸下来-->从陆地上弄到船上。
这些阶段一环扣一环，每一环都有责任，都会有风险。
continuous application的模型就与这个类似，在充分应对风险的前提下，可以串联业务的全部过程！！！

无边界表unbounded table

对Spark Streaming来说，Continuous还有另一层含义，即运行在Dataset和DataFrame之上。
基本观点是把数据看成一张表，默认情况下DataSet和Dataframe中的表是有边界的，而在流处理中是无边界的。对于Spark Streaming来说，是将数据抽象为了一个没有边界的表！！！

这个做法有一个非常大的好处，我们知道，目前SparkStreaming是直接依赖RDD，优化需要自己完成，使用Dataset和DataFrame就可以利用Tungsten引擎来进行优化。把Tungsten等优化技术轻而易举的应用起来，可以说是在技术的运用上促进化学反应的发生。

新加入的Planner就类似路由器，我们在使用时，可以按照时间说明，由planner确定每次读取的位置，在运行时动态绑定位置。在这种模式下，没有数据收集再处理的概念，认为数据一直在那儿，直接拿了处理就行。这可以极大的简化对流处理的理解。

增量输出模式delta output

在2.x中，增加了很多输出模式，delta output是其中的一种最重要的一种。
增量更新，也就是说有需要更新数据的才会更新，其他的不变。Trigger会不断检测输入数据，在不断的进行处理之后，输出结果只更新需要更新的内容，这个更符合我们应用程序的处理场景。

API简化

在API方面，引入和流函数的封装。
这边举个例子：Kafka中读取的数据，通过stream方法形成流，就可以直接与jdbc中读取的数据在DataSet层面就进行Join，不用使用transform或者foreachRDD方法。
stream方法底层依赖Dataset和DataFrame，集成了Spark Sql和Dataset几乎所有的功能，把流处理的代码编写一下子简化了很多。

其他改进

2.x同时也解决了DStream的很多问题。

增加了eventTime的概念，在原有基于mini batch处理的基础上，学习了Storm基于每个record的事件处理机制。
serve using JDBC，可以把Spark Streaming抽象成一个数据库，直接通过jdbc访问数据。
change queries，在运行时可以变更query，并支持多个query并行运行。

小结

从2.x的设计来看，根本上，是为了满足更快(Faster)、完全容错(fault-tolerant)、完全的语义一致性(exactly)的要求。
通过实现有状态流处理，让我们的功能更强大。而基于Dataset和DataFrame处理，让我们忘记流的概念，使用将会越来越简单。