浪院长 | spark streaming的使用心得

浪院长 浪尖聊大数据
今天，主要想聊聊spark streaming的使用心得。

主要是转换算子，action，和状态算子，这些其实，就按照api手册或者源码里接口介绍结合业务来编码。
其实，想用好spark streaming 掌握spark core，spark rpc，spark 任务调度，spark 并行度等原理还非常有必要。

说到中间算子大家肯定都会想到UpdateStateByKey等状态。里面很多注意事项，比如顺序性，key的超时机制维护。这个适合数据量不多，尤其是key的维度不多，value不大的情况。
当然数据量上来了，要想维护中间状态怎么办？其实这个时候肯定是第三方存储，比如redis，alluxio。redis更适合那种key带超时机制的，并且数据量肯定不能过大。而alluxio就很适合那种高吞吐量的，比如去重统计。

direct streaming能保证仅一次处理，但是要求输出存储支持密等性，或者主动将结果更改为存在更新不存在插入。当然，如果外部存储系统支持事务那就更嗨，能实现恰一次处理。
实际上在offset维护这个层面上，spark streaming 不同版本于kafka不同版本结合实现有很大不同。

我觉得对于监控告警及故障自动恢复，重要程度不亚于业务场景。因为再好的业务实现，架不住系统挂掉你不知道。因为你总不能二十四小时盯着系统。而且很多公司对故障自动恢复都有kpi，比如3min，人工去检测故障并恢复不太可能，需要自己实现一套监控系统。

调优对于spark streaming非常重要，因为一个批次处理延迟就会导致job堆积，结果输出延迟，深圳任务挂掉数据丢失。调优其实最注重对spark 原理把控，数据量的了解及资源和数据的关系。

源码阅读，为了帮助大家更透彻的理解原理。主要会分三块：
spark streaming 与kafka-0.8.2 direct stream。
spark streaming 与kafka-0.8.2 receiver based stream。
spark streaming 与kafka-0.10.2 direct api。