大数据之SparkStreaming 完整使用 (第十一章)

一、SparkStreaming 概念

数据处理的方式角度
	流式数据处理
	批量数据处理

实时数据处理：毫秒级别
离线数据处理：小时or天级别

SparkStreaming 准实时（秒，分钟），微批次（时间）的数据处理框架

1、Spark Streaming 是什么

Spark 流使得构建可扩展的容错流应用程序变得更加容易。
Spark Streaming 用于流式数据的处理。Spark Streaming 支持的数据输入源很多，例如：Kafka、
Flume、Twitter、ZeroMQ 和简单的 TCP 套接字等等。数据输入后可以用 Spark 的高度抽象原语
如：map、reduce、join、window 等进行运算。而结果也能保存在很多地方，如 HDFS，数据库等。

和 Spark 基于 RDD 的概念很相似，Spark Streaming 使用离散化流(discretized stream)作为抽
象表示，叫作 DStream。DStream 是随时间推移而收到的数据的序列。在内部，每个时间区间收
到的数据都作为 RDD 存在，而 DStream 是由这些 RDD 所组成的序列(因此得名“离散化”)。所以
简单来将，DStream 就是对 RDD 在实时数据处理场景的一种封装。

2、Spark Streaming 的特点

➢ 易用
➢ 容错
➢ 易整合到 Spark 体系

3、Spark Streaming 架构

架构图

➢ 整体架构图

➢ SparkStreaming 架构图

4、背压机制

Spark 1.5 以前版本，用户如果要限制 Receiver 的数据接收速率，可以通过设置静态配制参
数“spark.streaming.receiver.maxRate”的值来实现，此举虽然可以通过限制接收速率，来适配当前
的处理能力，防止内存溢出，但也会引入其它问题。比如：producer 数据生产高于 maxRate，当
前集群处理能力也高于 maxRate，这就会造成资源利用率下降等问题。

为了更好的协调数据接收速率与资源处理能力，1.5 版本开始 Spark Streaming 可以动态控制
数据接收速率来适配集群数据处理能力。背压机制（即 Spark Streaming Backpressure）: 根据
JobScheduler 反馈作业的执行信息来动态调整 Receiver 数据接收率。

通过属性“spark.streaming.backpressure.enabled”来控制是否启用 backpressure 机制，默认值
false，即不启用。