Spark概述

SparkStreaming架构原理

Spark Streaming的架构主要由以下几个关键部分组成。

1.数据源接收器（Receiver）

• 执行流程开始于数据源接收阶段，其中接收器（Receiver）负责从外部数据源获取数据流。
  

• 接收器可以连接到诸如Kafka、Flume、Kinesis等数据源，或直接通过网络套接字接收数据。
  

• 接收器的主要功能是接收数据并将其缓冲起来，然后传输给Spark集群进行处理。

2.微批次生成器（Micro-batch Generator）

• 将接收到的数据划分为小的微批次，每个微批次包含一段时间范围内的数据。
  

• 微批次生成器控制着微批次的生成速率，并确保数据按时到达处理流程。

3.离散化流（DStream）

• 每个微批次的数据被转换成一个DStream对象。

• DStream是一系列连续的RDD（Resilient Distributed Dataset）的抽象，每个RDD包含一个微批次的数据。

4.转换操作（Transformations）

• 在DStream上执行一系列的转换操作，例如映射、过滤、聚合等，以实现所需的业务逻辑。
• 转换操作是在微批次级别上进行的，即对每个微批次的数据执行相同的转换操作。

5.RDD生成器（RDD Generator）

• 转换操作生成的DStream会被转换成相应的RDD。
• RDD是Spark中的基本数据抽象，代表可并行操作的数据集合。

6.计算引擎（Compute Engine）

• 生成的RDD会被提交给Spark引擎进行计算执行。
• Spark引擎会根据RDD的依赖关系和转换操作构建执行计划，并将计算任务分配给集群中的工作节点执行。

7.结果输出器（Output Operations）

• 计算执行完成后，结果可以写入外部系统或存储介质中。
• 输出可以是保存到文件系统、写入数据库、发送到消息队列等操作。
• 输出操作通常在驱动器程序中定义，并在每个微批次处理完成后触发执行。

8.容错处理（Fault Tolerance）

• Spark Streaming具有内置的容错机制，可以处理节点故障或数据丢失的情况。
• 容错主要依赖于Spark引擎的RDD血统（RDD lineage）和数据日志记录，以实现数据的可靠处理和恢复。