<<Spark Streaming Programming Guide>> - Part 2 基本概念

包的依赖

比较简单，有时间再翻译，先作为placeholder

初始化StreamingContext

StreamingContext通过SparkContext来创建。

from pyspark import SparkContext
from pyspark.streaming import StreamingContext

sc = SparkContext(master, appName)
ssc = StreamingContext(sc, 1)

其中appName指定了Spark程序的名字，在运行多个程序的Spark集群中会用来标识区分不同的程序；master参数指定Spark cluster的Master地址，根据使用不同的集群管理器 (standalone, YARN, Mesos) 会有不同的地址格式，另外还有一个特殊格式local[N]来指定本地模式（非集群模式），N用来指定线程个数，也是最多允许task的并发数目，另外可以使用特殊格式local[*]让Spark自动选择，它会探测的CPU的内核数(core)来用作N的值. 在实际的集群部署中，master参数都不会写死在代码里或者配置文件里，最方便的方式就是在通过spark-submit在提交程序到集群的时候通过--master参数运行时指定。

批处理的间隔在如上的例子里设置为1，单位为秒。具体值的设置取决于业务自身的需求，可用的集群资源，以及程序实际的处理能力。

context建立之后，需要做以下事情：

• 通过创建输入离散数据流(DStream)来定义输入流；
• 通过应用DStream的各种转换操作和最终的输出操作来定义流的计算方式；
• 启动数据流的接收和处理： streamingContext.start().
• 等待程序运行被终止： streamingContext.awaitTermination().
• 程序可以通过手动方式来结束终止： streamingContext.stop().

需要记住的要点：

1. 一旦StreamingContext被启动，流处理的计算方式不能被修改；
2. 一旦StreamingContext被停止，则不能继续启动，只能重新启动；
3. 在同一时刻，一个JVM里只能有一个被启动的StreamingContext；
4. 终止 StreamingContext 同时也终止了关联的 SparkContext。如果只想终止StreamingContext 而不终止SparkContext，则在调用stop方法时指定可选参数stopSparkContext为false (默认为true，停止SparkContext)。StreamingContext.stop(stopSparkContext=True, stopGraceFully=False)
5. SparkContext可以被StreamingContexts重用，只要不违反上面提到的约束3 - 在同一时刻一个JVM内只能有一个被启动的StreamingContext - 则当前一个StreamingContext停止后，就可以启动下一个StreamingContext。

离散数据流 (DStream)

离散数据流是Spark Streaming提出的一个抽象概念，用来代表持续的数据流，数据流或者从数据源获得如kafka，或者通过其他的DStream转换而来。在内部，DStream实际是一组连续的RDD（RDD的解释具体参照Spark核心包），每一个RDD包含的是数据流在一定时间间隔的数据，如下图所示 -

所有对DStream的操作实际是对内在的RDD的操作。例如在综述中的wordCount例子中将句子转换为单词的flatMap操作，会作用到每一个时间间隔对应的RDD上，如下如所示。

还是Spark的核心引擎对RDD进行转换操作，DStream操作只是在上面封装了一下，从而掩盖了大多数RDD操作的细节，对外暴漏出的是更高层易用的接口。具体的操作会在后面详述。

输入数据流和接收器

每一种输入数据流(除了文件流以外)，都包含一个接收器(Receiver),接收器负责从数据源接收收据然后存储在Spark中。
两类数据源：

• 基本数据源：直接存在在Spark Streaming的类库中，包括文件流和Socket流；
• 高级数据源：例如Kafka，Flume和Kinesis需要依赖外部的工具类。所以需要加入额外的依赖引入到工程中，例如pom中的dependency。

基本数据源

基本数据源除了从TCP Socket监听的文本数据流外，还可以把文件作为输入源。
文件数据流：

可以从任何兼容HDFS API的文件系统目录中读取数据(也就是HDFS， S3， NFS)， 可以通过以下方式创建DStream -

 streamingContext.textFileStream(dataDirectory)

Spark Streaming会监控目录dataDirectory，然后处理任何在此目录下创建的文件 (不支持递归的处理子目录)，注意
- 文件必须具有相同格式
- 文件必须一次改名或者移动到此目录下。
- 一旦文件移动到此目录后，后续对文件内容的修改不能被监听到。 对于简单的文本文件，不需要创建receive接收器，所以不需要分配额外的内核。

基于定制化的接收器(Receiver)：

可以自己实现接收器来创建DStream。

RDD队列作为Stream: 

为了方便测试，可以基于RDD队列来创建DStream，使用streamingContext.queueStream(queueOfRDDs)。每一个加入队列的RDD被作为DSream中的一次批处理需要处理的数据。

高级数据源

Spark 2.0的Python API中可以使用了Kafka，Keneis 和 Flume的数据源。
这列数据源需要第三方的类库支持，例如kafak和Flume有着比较复杂的依赖。因此，为了减少依赖之间的版本冲突，因此把从这类数据源创建DStream的功能被移到了单独的类库中，只有当需要的时候才把它引入到工程的依赖中。


定制数据源
Python API不支持。

接收器的可靠性

根据可靠性可以分为两类数据源，一类如Kafka和Flume支持消息确认的数据源，因此当接收器接受到消息后可以向数据源进行数据的确认，这样可以保证没有数据的丢失。两类数据源 -
可靠的接收器 - 可靠的接收器能够在接收并且存储数据到Spark后，向数据源发送确认消息。要求的前提是这类数据源支持此确认机制；
不可靠的接收器 -  不可靠的接收器不会向数据源进行消息确认，一个可能是数据源本身不支持确认机制，例如Socket数据要换；一个是接收器不想这样做这么复杂，例如对数据的丢失可以容忍；