大数据之Spark（九）：Spark Streaming 概述

一、流式计算简介

1.1 流式计算

        理解流式计算，最形象的例子，就是小明的往水池中放(入)水又放(出)水的案例。流式计算就像水流⼀样， 数据连绵不断的产生，并被快速处理，所以流式计算拥有如下⼀些特点：

• 数据是无界的(unbounded)
• 数据是动态的
• 计算速度是非常快的
• 计算不止一次
• 计算不能终⽌
• 反过来看看⼀下离线计算有哪些特点：
• 数据是有界的(Bounded)
• 数据静态的
• 计算速度通常较慢
• 计算只执行一次
• 计算终会终止

        在大数据计算领域中，通常所说的流式计算分为实时计算和准实时计算。所谓实时计算就是来一条记录(⼀个事件 Event)启动⼀次计算；而准实时计算则是介于实时计算和离线计算之间的⼀个计算，所以每次处理的是⼀个微小的批次。

1.2 常见的离线和流式计算框架

常见的离线计算框架

1. mapreduce
2. spark-core
3. flink-dataset

常见的流式计算框架

1. storm(jstorm)

第⼀代的流式处理框架，每⽣成⼀条记录，提交⼀次作业。实时流处理，延迟低。

2. spark-streaming

第⼆代的流式处理框架，短时间内⽣成mirco-batch，提交⼀次作业。准实时，延迟略⾼，秒级或者亚秒级延迟。

3. flink-datastream(blink)

第三代的流式处理框架，每⽣成⼀条记录，提交⼀次作业。实时，延迟低。

1.3 SparkStreaming简介

SparkStreaming，和SparkSQL⼀样，也是Spark生态栈中非常重要的一个模块，主要是用来进行流式计算的框架。流式计算框架，从计算的延迟上面，又可以分为纯实时流式计算和准实时流式计算，SparkStreaming属于准实时计算框架。

所谓纯实时的计算，指的是来⼀条记录(event事件)，启动⼀次计算的作业；离线计算，指的是每次计算⼀个非常大的⼀批(比如几百G，好几个T)数据；准实时计算，介于纯实时和离线计算之间的⼀种计算⽅式。显然不是每⼀条记录就计算⼀次，显然比起离线计算数据量小的多，使用Micro-batch（微小的批次）来表示。

SparkStreaming是SparkCore的api的⼀种扩展，使用DStream(discretized stream or DStream)作为数据模型， 基于内存处理连续的数据流，本质上还是RDD的基于内存的计算。

DStream，本质上是RDD的序列。SparkStreaming的处理流程可以归纳为下图：

 1.4 SparkStreaming基本工作原理

接收实时输入数据流，然后将数据拆分成多个batch，⽐如每收集1秒的数据封装为⼀个batch，然后将每个batch交给Spark的计算引擎进⾏处理，最后会⽣产出⼀个结果数据流，其中的数据，也是由⼀个⼀个的batch所组成的。

Spark Streaming提供了⼀种⾼级的抽象，叫做DStream，英⽂全称为Discretized Stream，中⽂翻译为“离散 流”，它代表了⼀个持续不断的数据流。DStream可以通过输⼊数据源来创建，⽐如Kafka、Flume、ZMQ和 Kinesis；也可以通过对其他DStream应⽤⾼阶函数来创建，⽐如map、reduce、join、window。

DStream的内部，其实⼀系列持续不断产⽣的RDD。RDD是Spark Core的核心抽象，即分布式弹性数据集。DStream中的每个RDD都包含了⼀个时间段内的数据。

对DStream应⽤的算⼦，⽐如map，其实在底层会被翻译为对DStream中每个RDD的操作。⽐如对⼀个 DStream执⾏⼀个map操作，会产⽣⼀个新的DStream。但是，在底层，其实其原理为，对输⼊DStream中每个 时间段的RDD，都应⽤⼀遍map操作，然后⽣成的新的RDD，即作为新的DStream中的那个时间段的⼀个RDD。 底层的RDD的transformation操作。

还是由Spark Core的计算引擎来实现的。Spark Streaming对Spark Core进⾏了⼀层封装，隐藏了细节，然后对 开发⼈员提供了⽅便易⽤的⾼层次的API。

 1.5 Storm V.S. SparkStreaming V.S. Flink

 1.6 如何选择一款合适的流式处理框架

• 对于Storm来说：
  1、建议在需要纯实时，不能忍受1秒以上延迟的场景下使用，比如实时计算系统，要求纯实时进行交易和分析时。
  2、在实时计算的功能中，要求可靠的事务机制和可靠性机制，即数据的处理完全精准，⼀条也不能多，一条也不能少，也可以考虑使用Storm，但是Spark Streaming也可以保证数据的不丢失。
  3、如果我们需要考虑针对⾼峰低峰时间段，动态调整实时计算程序的并⾏度，以最大限度利⽤集群资源（通常是在小型公司，集群资源紧张的情况），我们也可以考虑用Storm
• 对于Spark Streaming来说：
  1、不满⾜上述3点要求的话，我们可以考虑使⽤Spark Streaming来进⾏实时计算。
  2、考虑使⽤Spark Streaming最主要的⼀个因素，应该是针对整个项⽬进⾏宏观的考虑，即，如果⼀个项目除了实时计算之外，还包括了离线批处理、交互式查询、图计算和MLIB机器学习等业务功能，⽽且实时计算中，可能还会牵扯到⾼延迟批处理、交互式查询等功能，那么就应该⾸选Spark⽣态，⽤Spark Core开发离线批处理，⽤Spark SQL开发交互式查询，⽤Spark Streaming开发实时计算，三者可以⽆缝整合，给系统提供⾮常⾼的可扩展性。
• 对于Flink来说：
  ⽀持⾼吞吐、低延迟、⾼性能的流处理
  ⽀持带有事件时间的窗⼝（Window）操作
  ⽀持有状态计算的Exactly-once语义
  ⽀持⾼度灵活的窗⼝（Window）操作，支持基于time、count、session，以及data-driven的窗⼝操作
  ⽀持具有Backpressure功能的持续流模型
  ⽀持基于轻量级分布式快照（Snapshot）实现的容错
  ⼀个运⾏时同时⽀持Batch on Streaming处理和Streaming处理
  Flink在JVM内部实现了⾃⼰的内存管理
  ⽀持迭代计算
  ⽀持程序⾃动优化：避免特定情况下Shuffle、排序等昂贵操作，中间结果有必要进⾏缓存

 二、SparkStreaming实时处理入门

 2.1 工程创建

 导入Maven依赖

<dependency>
 <groupId>org.apache.spark</groupId>
 <artifactId>spark-streaming_2.11</artifactId>
 <version>2.2.2</version>
</dependency>
<dependency>
 <groupId>org.apache.spark</groupId>
 <artifactId>spark-streaming-kafka-0-10_2.11</artifactId>
 <