DStream 和 RDD

我們知道Spark Streaming 計算還是基於Spark Core的，Spark Core 的核心又是RDD. 所以Spark Streaming 肯定也要和RDD扯上關係。然而Spark Streaming 並沒有直接讓用戶使用RDD而是自己抽象了一套DStream的概念。 DStream 和 RDD 是包含的關係，你可以理解為Java裡的裝飾模式，也就是DStream 是對RDD的增強，但是行為表現和RDD是基本上差不多的。都具備幾個條件：

• 具有類似的tranformation動作，比如map,reduceByKey等，也有一些自己獨有的，比如Window，mapWithStated等
• 都具有Action動作，比如foreachRDD，count等

從編程模型上看是一致的。

所以很可能你寫的那堆Spark Streaming代碼看起來好像和Spark 一致的,然而並不能直接複用，因為一個是DStream的變換，一個是RDD的變化。

Spark Streaming中 DStream 介紹

DStream 下面包含幾個類：

• 數據源類，比如InputDStream,具體如DirectKafkaInputStream等
• 轉換類，典型比如MappedDStream,ShuffledDStream
• 輸出類，典型比如ForEachDStream

從上面來看，數據從開始(輸入)到結束(輸出)都是DStream體系來完成的，也就意味著用戶正常情況是無法直接去產生和操作RDD的，這也就是說，DStream有機會和義務去負責RDD的生命週期。

這就回答了前言中的問題了。Spark Streaming具備自動清理功能。

RDD 在Spark Stream中產生的流程

在Spark Streaming中RDD的生命流程大體如下：

在Spark Streaming中RDD的生命流程大體如下：

• 在InputDStream會將接受到的數據轉化成RDD,比如DirectKafkaInputStream 產生的就是 KafkaRDD
• 接著通過MappedDStream等進行數據轉換，這個時候是直接調用RDD對應的map方法進行轉換的
• 在進行輸出類操作時，才暴露出RDD,可以讓用戶執行相應的存儲，其他計算等操作。

我們這裡就以下面的代碼來進行更詳細的解釋：

val source = KafkaUtils.createDirectInputStream(....)
source.map(....).foreachRDD{rdd=>
rdd.saveTextFile(....)
}

foreachRDD 產生ForEachDStream，因為foreachRDD是個Action,所以會觸發任務的執行，會被調用generateJob方法。

override def generateJob(time: Time): Option[Job] = {
parent.getOrCompute(time) match {
case Some(rdd) =>
val jobFunc = () => createRDDWithLocalProperties(time, displayInnerRDDOps) {
foreachFunc(rdd, time)
}
Some(new Job(time, jobFunc))
case None => None
}
}

對應的parent是MappedDStream,也就是說調用MappedDStream.getOrCompute.該方法在DStream中，首先會在MappedDStream對象中的generatedRDDs 變量中查找是否已經有RDD,如果沒有則觸發計算，並且將產生的RDD放到generatedRDDs

@transientprivate[streaming] var generatedRDDs = new HashMap[Time, RDD[T]] ()
private[streaming] final def getOrCompute(time: Time): Option[RDD[T]] = {
// If RDD was already generated, then retrieve it from HashMap,
// or else compute the RDD
generatedRDDs.get(time).orElse {
....
generatedRDDs.put(time, newRDD)
....

計算RDD是調用的compute方法，MappedDStream 的compute方法很簡單，直接調用的父類也就是DirectKafkaInputStream的getOrCompute方法：

override def compute(validTime: Time): Option[RDD[U]] = {
parent.getOrCompute(validTime).map(_.map[U](mapFunc))
}

在上面的例子中，MappedDStream 的parent是DirectKafkaInputStream中,這是個數據源，所以他的compute方法會直接new出一個RDD.

在上面的例子中，MappedDStream 的parent是DirectKafkaInputStream中,這是個數據源，所以他的compute方法會直接new出一個RDD.

• 數據源以及轉換類DStream都會維護一個generatedRDDs，可以按batchTime 進行獲取
• 內部本質還是進行的RDD的轉換

如果我們調用了cache會發生什麼

這裡又會有兩種情況，一種是調用DStream.cache,第二種是RDD.cache。事實上他們是完全一樣的。DStream的cache 動作只是將DStream的變量storageLevel 設置為MEMORY_ONLY_SER，然後在產生(或者獲取)RDD的時候，調用RDD的persit方法進行設置。所以DStream.cache 產生的效果等價於RDD.cache（也就是你自己調用foreachRDD 將RDD 都設置一遍）

進入正題，我們是怎麼釋放Cache住的RDD的

其實無所謂Cache不Cache住，RDD最終都是要釋放的，否則運行久了，光RDD對象也能承包了你的內存。我們知道，在Spark Streaming中，週期性產生事件驅動Spark Streaming 的類其實是:

org.apache.spark.streaming.scheduler.JobGenerator

他內部有個永動機(定時器),定時發佈一個產生任務的事件:

private val timer = new RecurringTimer(clock, ssc.graph.batchDuration.milliseconds, longTime => eventLoop.post(GenerateJobs(new Time(longTime))), "JobGenerator")

然後通過processEvent進行事件處理：

 
private def processEvent(event: JobGeneratorEvent) {
logDebug("Got event " + event)
event match {
case GenerateJobs(time) => generateJobs(time)
case ClearMetadata(time) => clearMetadata(time)
case DoCheckpoint(time, clearCheckpointDataLater) =>
doCheckpoint(time, clearCheckpointDataLater)
case ClearCheckpointData(time) => clearCheckpointData(time)
} 

}

目前我們只關注ClearMetadata 事件。對應的方法為：

private def clearMetadata(time: Time) {
ssc.graph.clearMetadata(time)
// If checkpointing is enabled, then checkpoint,
// else mark batch to be fully processed
if (shouldCheckpoint) {
eventLoop.post(DoCheckpoint(time, clearCheckpointDataLater = true))
} else {
// If checkpointing is not enabled, then delete metadata information about
// received blocks (block data not saved in any case). Otherwise, wait for
// checkpointing of this batch to complete.
val maxRememberDuration = graph.getMaxInputStreamRememberDuration()
jobScheduler.receiverTracker.cleanupOldBlocksAndBatches(time - maxRememberDuration)
jobScheduler.inputInfoTracker.cleanup(time - maxRememberDuration)
markBatchFullyProcessed(time)
}
}

首先是清理輸出DStream(比如ForeachDStream),接著是清理輸入類(基於Receiver模式)的數據。ForeachDStream 其實調用的也是DStream的方法。該方法大體如下：

private[streaming] def clearMetadata(time: Time) {
val unpersistData = ssc.conf.getBoolean("spark.streaming.unpersist", true)
val oldRDDs = generatedRDDs.filter(_._1 <= (time - rememberDuration))
logDebug("Clearing references to old RDDs: [" +
oldRDDs.map(x => s"${x._1} -> ${x._2.id}").mkString(", ") + "]")
generatedRDDs --= oldRDDs.keys
if (unpersistData) {
logDebug("Unpersisting old RDDs: " + oldRDDs.values.map(_.id).mkString(", "))
oldRDDs.values.foreach { rdd =>
rdd.unpersist(false)
rdd match {
case b: BlockRDD[_] =>
logInfo("Removing blocks of RDD " + b + " of time " + time)
b.removeBlocks()
case _ =>
}
}
}
logDebug("Cleared " + oldRDDs.size + " RDDs that were older than " + 

(time - rememberDuration) + ": " + oldRDDs.keys.mkString(", "))
dependencies.foreach(_.clearMetadata(time))
}

大體執行動作如下描述：

• 根據記憶週期得到應該剔除的RDD
• 根據是否要清理cache數據，進行unpersit 操作，並且顯示的移除block
• 根據依賴調用其他的DStream進行動作清理

這裡我們還可以看到，通過參數spark.streaming.unpersist 你是可以決定是否手工控制是否需要對cache住的數據進行清理。

這裡你會有兩個疑問：

• dependencies 是什麼？
• rememberDuration 是怎麼來的？

dependencies 你可以簡單理解為父DStream,通過dependencies 我們可以獲得已完整DStream鏈。rememberDuration 的設置略微複雜些,大體是 slideDuration,如果設置了checkpointDuration 則是2*checkpointDuration 或者通過DStreamGraph.rememberDuration（如果設置了的話，譬如通過StreamingContext.remember方法,不過通過該方法設置的值要大於計算得到的值會生效）

如果你用了window* 相關的操作，則在此之前的DStream 的rememberDuration 都需要加上windowDuration。

然後根據Spark Streaming的定時性，每個週期只要完成了，都會觸發清理動作,這個就是清理動作發生的時機。代碼如下：

def onBatchCompletion(time: Time) { 
eventLoop.post(ClearMetadata(time))
}

總結

Spark Streaming 會在每個Batch任務結束時進行一次清理動作。每個DStream 都會被掃描，不同的DStream根據情況不同，保留的RDD數量也是不一致的，但都是根據rememberDuration變量決定,而該變量會被下游的DStream所影響，所以不同的DStream的rememberDuration取值是不一樣的。

最後，想要學習更多spark，大數據知識或者想獲取更多相關學習資料。

轉發關注後，後臺私信我【資料】即可獲得資料免費領取方式！