特點：

• Spark Streaming能夠實現對實時數據流的流式處理，并具有很好的可擴展性、高吞吐量和容錯性。

• Spark Streaming支持從多種數據源提取數據，如：Kafka、Flume、Twitter、ZeroMQ、Kinesis以及TCP套接字，并且可以提供一些高級API來表達復雜的處理算法，如：map、reduce、join和window等。

• Spark Streaming支持將處理完的數據推送到文件系統、數據庫或者實時儀表盤中展示。

• 可以將Spark的機器學習（machine learning） 和 圖計算（graph processing）的算法應用于Spark Streaming的數據流當中。

下圖展示了Spark Streaming的內部工作原理。Spark Streaming從實時數據流接入數據，再將其劃分為一個個小批量供后續Spark engine處理，所以實際上，Spark Streaming是按一個個小批量來處理數據流的。

Spark Streaming為這種持續的數據流提供了的一個高級抽象，即：discretized stream（離散數據流）或者叫DStream。DStream既可以從輸入數據源創建得來，如：Kafka、Flume或者Kinesis，也可以從其他DStream經一些算子操作得到。其實在內部，一個DStream就是包含了一系列RDDs。

入門實例分析

SparkConf conf = new SparkConf().setAppName("stream1").setMaster("local[2]");JavaStreamingContext jsc = new JavaStreamingContext(conf, Durations.seconds(1));JavaReceiverInputDStream<String> lines = jsc.socketTextStream("localhost", 9999);JavaPairDStream<String, Long> pairs=lines.flatMap((str)->Arrays.asList(str.split(" ")).iterator()).mapToPair((str)->new Tuple2<String,Long>(str,1L));JavaPairDStream<String, Long> res=pairs.reduceByKey((v1,v2)->v1+v2);res.print();jsc.start();try {jsc.awaitTermination();} catch (InterruptedException e) {e.printStackTrace();}

StreamingContext 是Spark Streaming的入口。并將批次間隔設為1秒。
利用這個上下文對象（StreamingContext），我們可以創建一個DStream，該DStream代表從前面的TCP數據源流入的數據流，同時TCP數據源是由主機名（如：hostnam）和端口（如：9999）來描述的。
這里的 lines 就是從數據server接收到的數據流。其中每一條記錄都是一行文本。接下來，我們就需要把這些文本行按空格分割成單詞。
flatMap 是一種 “一到多”（one-to-many）的映射算子，它可以將源DStream中每一條記錄映射成多條記錄，從而產生一個新的DStream對象。在本例中，lines中的每一行都會被flatMap映射為多個單詞，從而生成新的words DStream對象。然后，我們就能對這些單詞進行計數了。
words這個DStream對象經過map算子（一到一的映射）轉換為一個包含（word, 1）鍵值對的DStream對象pairs，再對pairs使用reduce算子，得到每個批次中各個單詞的出現頻率。
注意，執行以上代碼后，Spark Streaming只是將計算邏輯設置好，此時并未真正的開始處理數據。要啟動之前的處理邏輯，我們還需要如下調用：

ssc.start() // 啟動流式計算 ssc.awaitTermination() // 等待直到計算終止

首先，你需要運行netcat（Unix-like系統都會有這個小工具），將其作為data server

$ nc -lk 9999

然后,執行程序. 現在你嘗試可以在運行netcat的終端里敲幾個單詞，你會發現這些單詞以及相應的計數會出現在啟動Spark Streaming例子的終端屏幕上。

注意，StreamingContext在內部會創建一個 SparkContext 對象（SparkContext是所有Spark應用的入口，在StreamingContext對象中可以這樣訪問：ssc.sparkContext）。

StreamingContext還有另一個構造參數，即：批次間隔，這個值的大小需要根據應用的具體需求和可用的集群資源來確定。

需要關注的重點:

• 一旦streamingContext啟動，就不能再對其計算邏輯進行添加或修改。

• 一旦streamingContext被stop掉，就不能restart。

• 單個JVM虛機同一時間只能包含一個active的StreamingContext。

• StreamingContext.stop() 也會把關聯的SparkContext對象stop掉，如果不想把SparkContext對象也stop掉，可以將StreamingContext.stop的可選參數 stopSparkContext 設為false。

• 一個SparkContext對象可以和多個StreamingContext對象關聯，只要先對前一個StreamingContext.stop(sparkContext=false)，然后再創建新的StreamingContext對象即可。

離散數據流 (DStreams)

離散數據流（DStream）是Spark Streaming最基本的抽象。它代表了一種連續的數據流，要么從某種數據源提取數據，要么從其他數據流映射轉換而來。DStream內部是由一系列連續的RDD組成的，每個RDD都包含了特定時間間隔內的一批數據，如下圖所示：

任何作用于DStream的算子，其實都會被轉化為對其內部RDD的操作。底層的RDD轉換仍然是由Spark引擎來計算。DStream的算子將這些細節隱藏了起來，并為開發者提供了更為方便的高級API。

輸入DStream和接收器

輸入DStream代表從某種流式數據源流入的數據流。在之前的例子里，lines 對象就是輸入DStream，它代表從netcat server收到的數據流。每個輸入DStream（除文件數據流外）都和一個接收器（Receiver）相關聯，而接收器則是專門從數據源拉取數據到內存中的對象。

Spark Streaming主要提供兩種內建的流式數據源：

• 基礎數據源（Basic sources）: 在StreamingContext API 中可直接使用的源，如：文件系統，套接字連接或者Akka actor。

• 高級數據源（Advanced sources）: 需要依賴額外工具類的源，如：Kafka、Flume、Kinesis、Twitter等數據源。這些數據源都需要增加額外的依賴，詳見依賴鏈接（linking）這一節。

注意，如果你需要同時從多個數據源拉取數據，那么你就需要創建多個DStream對象。多個DStream對象其實也就同時創建了多個數據流接收器。但是請注意，Spark的worker/executor 都是長期運行的，因此它們都會各自占用一個分配給Spark Streaming應用的CPU。
因此，本地運行時，一定要將master設為”local[n]”，其中 n > 接收器的個數。
將Spark Streaming應用置于集群中運行時，同樣，分配給該應用的CPU core數必須大于接收器的總數。否則，該應用就只會接收數據，而不會處理數據。

基礎數據源

使用ssc.socketTextStream(…) 可以從一個TCP連接中接收文本數據。而除了TCP套接字外,StreamingContext API 還支持從文件或者Akka actor中拉取數據。
文件數據流（File Streams）: 可以從任何兼容HDFS API（包括：HDFS、S3、NFS等）的文件系統，創建方式如下：

streamingContext.fileStream<KeyClass, ValueClass, InputFormatClass>(dataDirectory);

Spark Streaming將監視該dataDirectory目錄，并處理該目錄下任何新建的文件（目前還不支持嵌套目錄）。注意：

• 各個文件數據格式必須一致。

• dataDirectory中的文件必須通過moving或者renaming來創建。

• 一旦文件move進dataDirectory之后，就不能再改動。所以如果這個文件后續還有寫入，這些新寫入的數據不會被讀取。

• 對于簡單的文本文件，更簡單的方式是調用 streamingContext.textFileStream(dataDirectory)。

• 另外，文件數據流不是基于接收器的，所以不需要為其單獨分配一個CPU core。

RDD隊列數據流（Queue of RDDs as a Stream）: 如果需要測試Spark Streaming應用，你可以創建一個基于一批RDD的DStream對象，只需調用 streamingContext.queueStream(queueOfRDDs)。RDD會被一個個依次推入隊列，而DStream則會依次以數據流形式處理這些RDD的數據。

自定義數據源
輸入DStream也可以用自定義的方式創建。你需要做的只是實現一個自定義的接收器（receiver），以便從自定義的數據源接收數據，然后將數據推入Spark中。 見：http://spark.apache.org/docs/...

接收器可靠性
從可靠性角度來劃分，大致有兩種數據源。其中，像Kafka、Flume這樣的數據源，它們支持對所傳輸的數據進行確認。系統收到這類可靠數據源過來的數據，然后發出確認信息，這樣就能夠確保任何失敗情況下，都不會丟數據。因此我們可以將接收器也相應地分為兩類：

• 可靠接收器（Reliable Receiver） – 可靠接收器會在成功接收并保存好Spark數據副本后，向可靠數據源發送確認信息。

• 不可靠接收器（Unreliable Receiver） – 不可靠接收器不會發送任何確認信息。

DStream支持的transformation算子

和RDD類似，DStream也支持從輸入DStream經過各種transformation算子映射成新的DStream。

• map(func) 返回會一個新的DStream，并將源DStream中每個元素通過func映射為新的元素

• flatMap(func) 和map類似，不過每個輸入元素不再是映射為一個輸出，而是映射為0到多個輸出

• filter(func) 返回一個新的DStream，并包含源DStream中被func選中（func返回true）的元素

• repartition(numPartitions) 更改DStream的并行度（增加或減少分區數）

• union(otherStream) 返回新的DStream，包含源DStream和otherDStream元素的并集

• count() 返回一個包含單元素RDDs的DStream，其中每個元素是源DStream中各個RDD中的元素個數

• reduce(func) 返回一個包含單元素RDDs的DStream，其中每個元素是通過源RDD中各個RDD的元素經func（func輸入兩個參數并返回一個同類型結果數據）聚合得到的結果。func必須滿足結合律，以便支持并行計算。

• countByValue() 如果源DStream包含的元素類型為K，那么該算子返回新的DStream包含元素為(K, Long)鍵值對，其中K為源DStream各個元素，而Long為該元素出現的次數。

• reduceByKey(func, [numTasks]) 如果源DStream 包含的元素為 (K, V) 鍵值對，則該算子返回一個新的也包含(K, V)鍵值對的DStream，其中V是由func聚合得到的。注意：默認情況下，該算子使用Spark的默認并發任務數（本地模式為2，集群模式下由spark.default.parallelism 決定）。你可以通過可選參數numTasks來指定并發任務個數。

• join(otherStream, [numTasks]) 如果源DStream包含元素為(K, V)，同時otherDStream包含元素為(K, W)鍵值對，則該算子返回一個新的DStream，其中源DStream和otherDStream中每個K都對應一個 (K, (V, W))鍵值對元素。

• cogroup(otherStream, [numTasks]) 如果源DStream包含元素為(K, V)，同時otherDStream包含元素為(K, W)鍵值對，則該算子返回一個新的DStream，其中每個元素類型為包含(K, Seq[V], Seq[W])的tuple。

• transform(func) 返回一個新的DStream，其包含的RDD為源RDD經過func操作后得到的結果。利用該算子可以對DStream施加任意的操作。

• updateStateByKey(func) 返回一個包含新”狀態”的DStream。源DStream中每個key及其對應的values會作為func的輸入，而func可以用于對每個key的“狀態”數據作任意的更新操作。

updateStateByKey算子

updateStateByKey 算子支持維護一個任意的狀態。要實現這一點，只需要兩步：

• 定義狀態 – 狀態數據可以是任意類型。

• 定義狀態更新函數 – 定義好一個函數，其輸入為數據流之前的狀態和新的數據流數據，且可其更新步驟1中定義的輸入數據流的狀態。
  在每一個批次數據到達后，Spark都會調用狀態更新函數，來更新所有已有key（不管key是否存在于本批次中）的狀態。如果狀態更新函數返回None，則對應的鍵值對會被刪除。

舉例如下。假設你需要維護一個流式應用，統計數據流中每個單詞的出現次數。這里將各個單詞的出現次數這個整型數定義為狀態。我們接下來定義狀態更新函數如下：

Function2<List<Integer>, Optional<Integer>, Optional<Integer>> updateFunction =new Function2<List<Integer>, Optional<Integer>, Optional<Integer>>() {@Override public Optional<Integer> call(List<Integer> values, Optional<Integer> state) {Integer newSum = ... // add the new values with the previous running count to get the new countreturn Optional.of(newSum);}};

注意，調用updateStateByKey前需要配置檢查點目錄. 配置方式見下：

檢查點

一般來說Streaming 應用都需要7*24小時長期運行，所以必須對一些與業務邏輯無關的故障有很好的容錯（如：系統故障、JVM崩潰等）。對于這些可能性，Spark Streaming 必須在檢查點保存足夠的信息到一些可容錯的外部存儲系統中，以便能夠隨時從故障中恢復回來。所以，檢查點需要保存以下兩種數據：

• 元數據檢查點（Metadata checkpointing） – 保存流式計算邏輯的定義信息到外部可容錯存儲系統（如：HDFS）。主要用途是用于在故障后回復應用程序本身（后續詳談）。元數包括：

• Configuration – 創建Streaming應用程序的配置信息。

• DStream operations – 定義流式處理邏輯的DStream操作信息。

• Incomplete batches – 已經排隊但未處理完的批次信息。
  總之，元數據檢查點主要是為了恢復驅動器節點上的故障，而數據或RDD檢查點是為了支持對有狀態轉換操作的恢復。

何時啟用檢查點

• 使用了有狀態的轉換算子（Usage of stateful transformations） – 不管是用了 updateStateByKey 還是用了 reduceByKeyAndWindow（有”反歸約”函數的那個版本），你都必須配置檢查點目錄來周期性地保存RDD檢查點。

• 支持驅動器故障中恢復（Recovering from failures of the driver running the application） – 這時候需要元數據檢查點以便恢復流式處理的進度信息。

注意，一些簡單的流式應用，如果沒有用到前面所說的有狀態轉換算子，則完全可以不開啟檢查點。不過這樣的話，驅動器（driver）故障恢復后，有可能會丟失部分數據（有些已經接收但還未處理的數據可能會丟失）。不過通常這點丟失時可接受的，很多Spark Streaming應用也是這樣運行的。

如何配置檢查點

檢查點的啟用，只需要設置好保存檢查點信息的檢查點目錄即可，一般會會將這個目錄設為一些可容錯的、可靠性較高的文件系統（如：HDFS、S3等）。
第一種：開發者只需要調用 streamingContext.checkpoint(checkpointDirectory)。設置好檢查點，你就可以使用前面提到的有狀態轉換算子了。

第二種：如果你需要你的應用能夠支持從驅動器故障中恢復，你可能需要重寫部分代碼，實現以下行為：

• 如果程序是首次啟動，就需要new一個新的StreamingContext，并定義好所有的數據流處理，然后調用StreamingContext.start()。

• 如果程序是故障后重啟，就需要從檢查點目錄中的數據中重新構建StreamingContext對象。

// Create a factory object that can create and setup a new JavaStreamingContext JavaStreamingContextFactory contextFactory = new JavaStreamingContextFactory() {@Override public JavaStreamingContext create() {JavaStreamingContext jssc = new JavaStreamingContext(...); // new contextJavaDStream<String> lines = jssc.socketTextStream(...); // create DStreams...jssc.checkpoint(checkpointDirectory); // set checkpoint directoryreturn jssc;} };// Get JavaStreamingContext from checkpoint data or create a new one JavaStreamingContext context = JavaStreamingContext.getOrCreate(checkpointDirectory, contextFactory);// Do additional setup on context that needs to be done, // irrespective of whether it is being started or restarted context. ...// Start the context context.start(); context.awaitTermination();

需要注意的是，RDD檢查點會增加額外的保存數據的開銷。這可能會導致數據流的處理時間變長。

• 因此，你必須仔細的調整檢查點間隔時間。如果批次間隔太小（比如：1秒），那么對每個批次保存檢查點數據將大大減小吞吐量。

• 另一方面，檢查點保存過于頻繁又會導致血統信息和任務個數的增加，這同樣會影響系統性能。

• 對于需要RDD檢查點的有狀態轉換算子，默認的間隔是批次間隔的整數倍，且最小10秒。開發人員可以這樣來自定義這個間隔：dstream.checkpoint(checkpointInterval)。一般推薦設為批次間隔時間的5~10倍。

transform算子

transform算子（及其變體transformWith）可以支持任意的RDD到RDD的映射操作。也就是說，你可以用tranform算子來包裝任何DStream API所不支持的RDD算子。例如，將DStream每個批次中的RDD和另一個Dataset進行關聯（join）操作，這個功能DStream API并沒有直接支持。不過你可以用transform來實現這個功能，可見transform其實為DStream提供了非常強大的功能支持。比如說，你可以用事先算好的垃圾信息，對DStream進行實時過濾。

// RDD containing spam information final JavaPairRDD<String, Double> spamInfoRDD = jssc.sparkContext().newAPIHadoopRDD(...);JavaPairDStream<String, Integer> cleanedDStream = wordCounts.transform(new Function<JavaPairRDD<String, Integer>, JavaPairRDD<String, Integer>>() {@Override public JavaPairRDD<String, Integer> call(JavaPairRDD<String, Integer> rdd) throws Exception {rdd.join(spamInfoRDD).filter(...); // join data stream with spam information to do data cleaning...}});

注意，這里transform包含的算子，其調用時間間隔和批次間隔是相同的。所以你可以基于時間改變對RDD的操作，如：在不同批次，調用不同的RDD算子，設置不同的RDD分區或者廣播變量等。

基于窗口（window）的算子

Spark Streaming同樣也提供基于時間窗口的計算，也就是說，你可以對某一個滑動時間窗內的數據施加特定tranformation算子。如下圖所示：

如上圖所示，每次窗口滑動時，源DStream中落入窗口的RDDs就會被合并成新的windowed DStream。在上圖的例子中，這個操作會施加于3個RDD單元，而滑動距離是2個RDD單元。由此可以得出任何窗口相關操作都需要指定一下兩個參數：

• （窗口長度）window length – 窗口覆蓋的時間長度（上圖中為3）

• （滑動距離）sliding interval – 窗口啟動的時間間隔（上圖中為2）

注意，這兩個參數都必須是DStream批次間隔（上圖中為1）的整數倍.

下面咱們舉個例子。假設，你需要每隔10秒統計一下前30秒內的單詞計數。為此，我們需要在包含(word, 1)鍵值對的DStream上，對最近30秒的數據調用reduceByKey算子。不過這些都可以簡單地用一個 reduceByKeyAndWindow搞定。

// Reduce function adding two integers, defined separately for clarity Function2<Integer, Integer, Integer> reduceFunc = new Function2<Integer, Integer, Integer>() {@Override public Integer call(Integer i1, Integer i2) {return i1 + i2;} };// 每隔10秒歸約一次最近30秒的數據 JavaPairDStream<String, Integer> windowedWordCounts = pairs.reduceByKeyAndWindow(reduceFunc, Durations.seconds(30), Durations.seconds(10));

以下列出了常用的窗口算子。所有這些算子都有前面提到的那兩個參數 – 窗口長度 和 滑動距離。

• window(windowLength, slideInterval) 將源DStream窗口化，并返回轉化后的DStream

• countByWindow(windowLength,slideInterval) 返回數據流在一個滑動窗口內的元素個數

• reduceByWindow(func, windowLength,slideInterval) 基于數據流在一個滑動窗口內的元素，用func做聚合，返回一個單元素數據流。func必須滿足結合律，以便支持并行計算。

• reduceByKeyAndWindow(func,windowLength, slideInterval, [numTasks]) 基于(K, V)鍵值對DStream，將一個滑動窗口內的數據進行聚合，返回一個新的包含(K,V)鍵值對的DStream，其中每個value都是各個key經過func聚合后的結果。
  注意：如果不指定numTasks，其值將使用Spark的默認并行任務數（本地模式下為2，集群模式下由 spark.default.parallelism決定）。當然，你也可以通過numTasks來指定任務個數。

• reduceByKeyAndWindow(func, invFunc,windowLength,slideInterval, [numTasks]) 和前面的reduceByKeyAndWindow() 類似，只是這個版本會用之前滑動窗口計算結果，遞增地計算每個窗口的歸約結果。當新的數據進入窗口時，這些values會被輸入func做歸約計算，而這些數據離開窗口時，對應的這些values又會被輸入 invFunc 做”反歸約”計算。舉個簡單的例子，就是把新進入窗口數據中各個單詞個數“增加”到各個單詞統計結果上，同時把離開窗口數據中各個單詞的統計個數從相應的統計結果中“減掉”。不過，你的自己定義好”反歸約”函數，即：該算子不僅有歸約函數（見參數func），還得有一個對應的”反歸約”函數（見參數中的 invFunc）。和前面的reduceByKeyAndWindow() 類似，該算子也有一個可選參數numTasks來指定并行任務數。注意，這個算子需要配置好檢查點（checkpointing）才能用。

• countByValueAndWindow(windowLength,slideInterval, [numTasks]) 基于包含(K, V)鍵值對的DStream，返回新的包含(K, Long)鍵值對的DStream。其中的Long value都是滑動窗口內key出現次數的計數。
  和前面的reduceByKeyAndWindow() 類似，該算子也有一個可選參數numTasks來指定并行任務數。

Join相關算子

最后，值得一提的是，你在Spark Streaming中做各種關聯（join）操作非常簡單。

1、流-流（Stream-stream）關聯
一個數據流可以和另一個數據流直接關聯。

JavaPairDStream<String, String> stream1 = ... JavaPairDStream<String, String> stream2 = ... JavaPairDStream<String, Tuple2<String, String>> joinedStream = stream1.join(stream2);

上面代碼中，stream1的每個批次中的RDD會和stream2相應批次中的RDD進行join。同樣，你可以類似地使用 leftOuterJoin, rightOuterJoin, fullOuterJoin 等。此外，你還可以基于窗口來join不同的數據流

JavaPairDStream<String, String> windowedStream1 = stream1.window(Durations.seconds(20)); JavaPairDStream<String, String> windowedStream2 = stream2.window(Durations.minutes(1)); JavaPairDStream<String, Tuple2<String, String>> joinedStream = windowedStream1.join(windowedStream2);

2、流-數據集（stream-dataset）關聯
這里舉個基于滑動窗口的例子。

JavaPairRDD<String, String> dataset = ... JavaPairDStream<String, String> windowedStream = stream.window(Durations.seconds(20)); JavaPairDStream<String, String> joinedStream = windowedStream.transform(new Function<JavaRDD<Tuple2<String, String>>, JavaRDD<Tuple2<String, String>>>() {@Overridepublic JavaRDD<Tuple2<String, String>> call(JavaRDD<Tuple2<String, String>> rdd) {return rdd.join(dataset);}} );

在上面代碼里，你可以動態地該表join的數據集（dataset）。傳給tranform算子的操作函數會在每個批次重新求值，所以每次該函數都會用最新的dataset值，所以不同批次間你可以改變dataset的值。

DStream輸出算子

輸出算子可以將DStream的數據推送到外部系統，如：數據庫或者文件系統。因為輸出算子會將最終完成轉換的數據輸出到外部系統，因此只有輸出算子調用時，才會真正觸發DStream transformation算子的真正執行（這一點類似于RDD 的action算子）。目前所支持的輸出算子如下表：

• print() 在驅動器（driver）節點上打印DStream每個批次中的頭十個元素。

• saveAsTextFiles(prefix, [suffix]) 將DStream的內容保存到文本文件。
  每個批次一個文件，各文件命名規則為 “prefix-TIME_IN_MS[.suffix]”

• saveAsObjectFiles(prefix, [suffix]) 將DStream內容以序列化Java對象的形式保存到順序文件中。
  每個批次一個文件，各文件命名規則為 “prefix-TIME_IN_MS[.suffix]”Python API 暫不支持Python

• saveAsHadoopFiles(prefix, [suffix]) 將DStream內容保存到Hadoop文件中。
  每個批次一個文件，各文件命名規則為 “prefix-TIME_IN_MS[.suffix]”Python API 暫不支持Python

• foreachRDD(func) 這是最通用的輸出算子了，該算子接收一個函數func，func將作用于DStream的每個RDD上。
  func應該實現將每個RDD的數據推到外部系統中，比如：保存到文件或者寫到數據庫中。

注意，func函數是在streaming應用的驅動器進程中執行的，所以如果其中包含RDD的action算子，就會觸發對DStream中RDDs的實際計算過程。

使用foreachRDD的設計模式

DStream.foreachRDD是一個非常強大的原生工具函數，用戶可以基于此算子將DStream數據推送到外部系統中。不過用戶需要了解如何正確而高效地使用這個工具。以下列舉了一些常見的錯誤。

通常，對外部系統寫入數據需要一些連接對象（如：遠程server的TCP連接），以便發送數據給遠程系統。因此，開發人員可能會不經意地在Spark驅動器（driver）進程中創建一個連接對象，然后又試圖在Spark worker節點上使用這個連接。如下例所示：

dstream.foreachRDD(new VoidFunction<JavaRDD<String>>() {@Overridepublic void call(JavaRDD<String> rdd) {final Connection connection = createNewConnection(); // executed at the driverrdd.foreach(new VoidFunction<String>() {@Overridepublic void call(String record) {connection.send(record); // executed at the worker}});} });

這段代碼是錯誤的，因為它需要把連接對象序列化，再從驅動器節點發送到worker節點。而這些連接對象通常都是不能跨節點（機器）傳遞的。比如，連接對象通常都不能序列化，或者在另一個進程中反序列化后再次初始化（連接對象通常都需要初始化，因此從驅動節點發到worker節點后可能需要重新初始化）等。解決此類錯誤的辦法就是在worker節點上創建連接對象。
一個比較好的解決方案是使用 rdd.foreachPartition – 為RDD的每個分區創建一個單獨的連接對象，示例如下：

dstream.foreachRDD(new VoidFunction<JavaRDD<String>>() {@Overridepublic void call(JavaRDD<String> rdd) {rdd.foreachPartition(new VoidFunction<Iterator<String>>() {@Overridepublic void call(Iterator<String> partitionOfRecords) {Connection connection = createNewConnection();while (partitionOfRecords.hasNext()) {connection.send(partitionOfRecords.next());}connection.close();}});} });

最后，還有一個更優化的辦法，就是在多個RDD批次之間復用連接對象。開發者可以維護一個靜態連接池來保存連接對象，以便在不同批次的多個RDD之間共享同一組連接對象

dstream.foreachRDD(new VoidFunction<JavaRDD<String>>() {@Overridepublic void call(JavaRDD<String> rdd) {rdd.foreachPartition(new VoidFunction<Iterator<String>>() {@Overridepublic void call(Iterator<String> partitionOfRecords) {// ConnectionPool is a static, lazily initialized pool of connectionsConnection connection = ConnectionPool.getConnection();while (partitionOfRecords.hasNext()) {connection.send(partitionOfRecords.next());}ConnectionPool.returnConnection(connection); // return to the pool for future reuse}});} });

注意，連接池中的連接應該是懶惰創建的，并且有確定的超時時間，超時后自動銷毀。這個實現應該是目前發送數據最高效的實現方式。

注意點：

• DStream的轉化執行也是懶惰的，需要輸出算子來觸發，這一點和RDD的懶惰執行由action算子觸發很類似。特別地，DStream輸出算子中包含的RDD action算子會強制觸發對所接收數據的處理。因此，如果你的Streaming應用中沒有輸出算子，或者你用了dstream.foreachRDD(func)卻沒有在func中調用RDD action算子，那么這個應用只會接收數據，而不會處理數據，接收到的數據最后只是被簡單地丟棄掉了。

• 默認地，輸出算子只能一次執行一個，且按照它們在應用程序代碼中定義的順序執行。

累加器和廣播變量

首先需要注意的是，累加器（Accumulators）和廣播變量（Broadcast variables）是無法從Spark Streaming的檢查點中恢復回來的。所以如果你開啟了檢查點功能，并同時在使用累加器和廣播變量，那么你最好是使用懶惰實例化的單例模式，因為這樣累加器和廣播變量才能在驅動器（driver）故障恢復后重新實例化。

DataFrame和SQL相關算子

在Streaming應用中可以調用DataFrames and SQL來處理流式數據。開發者可以用通過StreamingContext中的SparkContext對象來創建一個SQLContext，并且，開發者需要確保一旦驅動器（driver）故障恢復后，該SQLContext對象能重新創建出來。同樣，你還是可以使用懶惰創建的單例模式來實例化SQLContext，如下面的代碼所示，這里我們將最開始的那個小栗子做了一些修改，使用DataFrame和SQL來統計單詞計數。其實就是，將每個RDD都轉化成一個DataFrame，然后注冊成臨時表，再用SQL查詢這些臨時表。

緩存與持久化機制

與RDD類似，Spark Streaming也可以讓開發人員手動控制，將數據流中的數據持久化到內存中。對DStream調用persist()方法，就可以讓Spark Streaming自動將該數據流中的所有產生的RDD，都持久化到內存中。如果要對一個DStream多次執行操作，那么，對DStream持久化是非常有用的。因為多次操作，可以共享使用內存中的一份緩存數據。

對于基于窗口的操作，比如reduceByWindow、reduceByKeyAndWindow，以及基于狀態的操作，比如updateStateByKey，默認就隱式開啟了持久化機制。即Spark Streaming默認就會將上述操作產生的Dstream中的數據，緩存到內存中，不需要開發人員手動調用persist()方法。

對于通過網絡接收數據的輸入流，比如socket、Kafka、Flume等，默認的持久化級別，是將數據復制一份，以便于容錯。相當于是，用的是類似MEMORY_ONLY_SER_2。

與RDD不同的是，默認的持久化級別，統一都是要序列化的。

應用監控

在Spark web UI上看到多出了一個Streaming tab頁，上面顯示了正在運行的接收器（是否活躍，接收記錄的條數，失敗信息等）和處理完的批次信息（批次處理時間，查詢延時等）。這些信息都可以用來監控streaming應用。
web UI上有兩個度量特別重要：

• 批次處理耗時（Processing Time） – 處理單個批次耗時

• 批次調度延時（Scheduling Delay） -各批次在隊列中等待時間（等待上一個批次處理完）

如果批次處理耗時一直比批次間隔時間大，或者批次調度延時持續上升，就意味著系統處理速度跟不上數據接收速度。這時候你就得考慮一下怎么把批次處理時間降下來（reducing）。

Spark Streaming程序的處理進度可以用StreamingListener接口來監聽，這個接口可以監聽到接收器的狀態和處理時間。

設置合適的批次間隔

要想streaming應用在集群上穩定運行，那么系統處理數據的速度必須能跟上其接收數據的速度。換句話說，批次數據的處理速度應該和其生成速度一樣快。對于特定的應用來說，可以從其對應的監控（monitoring）頁面上觀察驗證，頁面上顯示的處理耗時應該要小于批次間隔時間。

根據spark streaming計算的性質，在一定的集群資源限制下，批次間隔的值會極大地影響系統的數據處理能力。例如，在WordCountNetwork示例中，對于特定的數據速率，一個系統可能能夠在批次間隔為2秒時跟上數據接收速度，但如果把批次間隔改為500毫秒系統可能就處理不過來了。所以，批次間隔需要謹慎設置，以確保生產系統能夠處理得過來。

要找出適合的批次間隔，你可以從一個比較保守的批次間隔值（如5~10秒）開始測試。要驗證系統是否能跟上當前的數據接收速率，你可能需要檢查一下端到端的批次處理延遲（可以看看Spark驅動器log4j日志中的Total delay，也可以用StreamingListener接口來檢測）。如果這個延遲能保持和批次間隔差不多，那么系統基本就是穩定的。否則，如果這個延遲持久在增長，也就是說系統跟不上數據接收速度，那也就意味著系統不穩定。一旦系統文檔下來后，你就可以嘗試提高數據接收速度，或者減少批次間隔值。不過需要注意，瞬間的延遲增長可以只是暫時的，只要這個延遲后續會自動降下來就沒有問題（如：降到小于批次間隔值）

參考：

http://ifeve.com/spark-stream...
http://spark.apache.org/docs/...

《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀

總結

以上是生活随笔為你收集整理的Spark Streaming学习笔记的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。