通過案例對SparkStreaming透徹理解三板斧之二 - 簡書
http://www.reibang.com/p/c59fa2ad7380
DStream就是Spark Streaming的核心您没，就想Spark Core的核心是RDD悲关，它也有dependency和compute。
一個HashMap忽媒，以時間為key，以RDD為value腋粥，這也正應(yīng)證了隨著時間流逝晦雨，不斷的生成RDD，產(chǎn)生依賴關(guān)系的job隘冲，并通過jobScheduler在集群上運行闹瞧。再次驗證了DStream就是RDD的模版。
DStream可以說是邏輯級別的展辞，RDD就是物理級別的奥邮，DStream所表達的最終都是通過RDD的轉(zhuǎn)化實現(xiàn)的。前者是更高級別的抽象罗珍，后者是底層的實現(xiàn)洽腺。DStream實際上就是在時間維度上對RDD集合的封裝，DStream與RDD的關(guān)系就是隨著時間流逝不斷的產(chǎn)生RDD靡砌，對DStream的操作就是在固定時間上操作RDD已脓。
Spark Streaming運行時與其說是Spark Core上的一個流式處理框架，不如說是Spark Core上的一個最復(fù)雜的應(yīng)用程序通殃。如果可以掌握Spark streaming這個復(fù)雜的應(yīng)用程序度液，那么其他的再復(fù)雜的應(yīng)用程序都不在話下了。
我們知道Spark Core處理的每一步都是基于RDD的画舌，RDD之間有依賴關(guān)系堕担。上圖中的RDD的DAG顯示的是有3個Action，會觸發(fā)3個job曲聂，RDD自下向上依賴霹购，RDD產(chǎn)生job就會具體的執(zhí)行。從DSteam Graph中可以看到朋腋，DStream的邏輯與RDD基本一致齐疙，它就是在RDD的基礎(chǔ)上加上了時間的依賴膜楷。RDD的DAG又可以叫空間維度，也就是說整個Spark Streaming多了一個時間維度贞奋，也可以成為時空維度赌厅。
從這個角度來講，可以將Spark Streaming放在坐標系中轿塔。其中Y軸就是對RDD的操作特愿，RDD的依賴關(guān)系構(gòu)成了整個job的邏輯，而X軸就是時間勾缭。隨著時間的流逝揍障，固定的時間間隔（Batch Interval）就會生成一個job實例，進而在集群中運行俩由。
對于Spark Streaming來說毒嫡，當不同的數(shù)據(jù)來源的數(shù)據(jù)流進來的時候，基于固定的時間間隔采驻，會形成一系列固定不變的數(shù)據(jù)集或event集合（例如來自flume和kafka）审胚。而這正好與RDD基于固定的數(shù)據(jù)集不謀而合，事實上礼旅，由DStream基于固定的時間間隔行程的RDD Graph正是基于某一個batch的數(shù)據(jù)集的。
從上圖中可以看出洽洁，在每一個batch上痘系，空間維度的RDD依賴關(guān)系都是一樣的，不同的是這個五個batch流入的數(shù)據(jù)規(guī)模和內(nèi)容不一樣饿自，所以說生成的是不同的RDD依賴關(guān)系的實例汰翠，所以說RDD的Graph脫胎于DStream的Graph，也就是說DStream就是RDD的模版昭雌，不同的時間間隔复唤，生成不同的RDD Graph實例。
從Spark Streaming本身出發(fā)：
1.需要RDD DAG的生成模版：DStream Graph
2需要基于Timeline的job控制器
3需要inputStreamings和outputStreamings烛卧，代表數(shù)據(jù)的輸入和輸出
4具體的job運行在Spark Cluster之上佛纫，由于streaming不管集群是否可以消化掉，此時系統(tǒng)容錯就至關(guān)重要
5事務(wù)處理总放，我們希望流進來的數(shù)據(jù)一定會被處理呈宇，而且只處理一次。在處理出現(xiàn)崩潰的情況下如何保證Exactly once的事務(wù)語意局雄。
從源碼解讀DStream
從這里可以看出甥啄，DStream就是Spark Streaming的核心，就想Spark Core的核心是RDD炬搭，它也有dependency和compute蜈漓。更為關(guān)鍵的是下面的代碼：
這是一個HashMap穆桂，以時間為key，以RDD為value融虽，這也正應(yīng)證了隨著時間流逝充尉，不斷的生成RDD，產(chǎn)生依賴關(guān)系的job衣形，并通過jobScheduler在集群上運行驼侠。再次驗證了DStream就是RDD的模版。
DStream可以說是邏輯級別的谆吴，RDD就是物理級別的倒源，DStream所表達的最終都是通過RDD的轉(zhuǎn)化實現(xiàn)的。前者是更高級別的抽象句狼，后者是底層的實現(xiàn)笋熬。DStream實際上就是在時間維度上對RDD集合的封裝，DStream與RDD的關(guān)系就是隨著時間流逝不斷的產(chǎn)生RDD腻菇，對DStream的操作就是在固定時間上操作RDD胳螟。
總結(jié)：
在空間維度上的業(yè)務(wù)邏輯作用于DStream，隨著時間的流逝筹吐，每個Batch Interval形成了具體的數(shù)據(jù)集糖耸，產(chǎn)生了RDD，對RDD進行transform操作丘薛，進而形成了RDD的依賴關(guān)系RDD DAG嘉竟，形成job。然后jobScheduler根據(jù)時間調(diào)度洋侨，基于RDD的依賴關(guān)系舍扰，把作業(yè)發(fā)布到Spark Cluster上去運行，不斷的產(chǎn)生Spark作業(yè)希坚。
備注：
資料來源于：DT_大數(shù)據(jù)夢工廠（Spark發(fā)行版本定制）
更多私密內(nèi)容边苹，請關(guān)注微信公眾號：DT_Spark
如果您對大數(shù)據(jù)Spark感興趣，可以免費聽由王家林老師每天晚上20：00開設(shè)的Spark永久免費公開課裁僧，地址YY房間號：68917580
文／陽光男孩spark（簡書作者）原文鏈接：http://www.reibang.com/p/c59fa2ad7380著作權(quán)歸作者所有个束，轉(zhuǎn)載請聯(lián)系作者獲得授權(quán)，并標注“簡書作者”锅知。
