diff --git a/README.md b/README.md index eaecb01..a649ab2 100644 --- a/README.md +++ b/README.md @@ -82,16 +82,16 @@ **Spark SQL :** -1. DataFrame和DateSet +1. [Spark SQL之 DateFrame 和 DataSet](https://github.com/heibaiying/BigData-Notes/blob/master/notes/SparkSQL-Dataset&DataFrame.md) 2. Spark SQL之常用SQL语句 3. External Data Source **Spark Streaming ：** -1. Spark Streaming简介 -2. DStream常用函数 -3. Spark Streaming 整合 flume -4. Spark Streaming 整合 kafka +1. [Spark Streaming简介](https://github.com/heibaiying/BigData-Notes/blob/master/notes/Spark-Streaming与流处理.md) +2. DStream常用操作详解 +3. Spark Streaming 整合 Flume +4. Spark Streaming 整合 Kafka ## 四、Flink diff --git a/notes/Spark-Streaming与流处理.md b/notes/Spark-Streaming与流处理.md new file mode 100644 index 0000000..dfbce30 --- /dev/null +++ b/notes/Spark-Streaming与流处理.md @@ -0,0 +1,78 @@ +# Spark Streaming与流处理 + + + +## 一、流处理 + +### 1.1 静态数据处理 + +在流处理之前，数据通常存储在数据库，文件系统或其他形式的存储系统中。应用程序根据需要查询数据或计算数据。这就是传统的静态数据处理架构。Hadoop采用HDFS进行数据存储，采用MapReduce进行数据查询或分析，这就是典型的静态数据处理架构。 + +
+ + + +### 1.2 流处理 + +而流处理则是直接对运动中的数据的处理，在接收数据时直接计算数据。 + +大多数数据都是连续的流：传感器事件，网站上的用户活动，金融交易等等 ，所有这些数据都是随着时间的推移而创建的。 + +接收和发送数据流并执行应用程序或分析逻辑的系统称为**流处理器**。流处理器的基本职责是确保数据有效流动，同时具备可扩展性和容错能力，Storm和Flink就是其代表性的实现。 + +
+ + + +流处理带来了静态数据处理所不具备的众多优点： + + + +- **应用程序立即对数据做出反应**：降低了数据的滞后性，使得数据更具有时效性，更能反映对未来的预期； +- **流处理可以处理更大的数据量**：直接处理数据流，并且只保留数据中有意义的子集，并将其传送到下一个处理单元，逐级过滤数据，降低需要处理的数据量，从而能够承受更大的数据量； +- **流处理更贴近现实的数据模型**：在实际的环境中，一切数据都是持续变化的，要想能够通过过去的数据推断未来的趋势，必须保证数据的不断输入和模型的不断修正，典型的就是金融市场、股票市场，流处理能更好的应对这些数据的连续性的特征和及时性的需求； +- **流处理分散和分离基础设施**：流式处理减少了对大型数据库的需求。相反，每个流处理程序通过流处理框架维护了自己的数据和状态，这使得流处理程序更适合微服务架构。 + + + +## 二、Spark Streaming + +### 2.1 简介 + +Spark Streaming是Spark的一个子模块，用于快速构建可扩展，高吞吐量，高容错的流处理程序。具有以下特点： + ++ 通过高级API构建应用程序，简单易用； ++ 支持多种语言，如Java，Scala和Python； ++ 良好的容错性，Spark Streaming支持快速从失败中恢复丢失的操作状态； ++ 能够和Spark其他模块无缝集成，将流处理与批处理完美结合； ++ Spark Streaming可以从HDFS，Flume，Kafka，Twitter和ZeroMQ读取数据，也支持自定义数据源。 + +
+ +### 2.2 DStream + +Spark Streaming提供称为离散流(DStream)的高级抽象，用于表示连续的数据流。 DStream可以从来自Kafka，Flume和Kinesis等数据源的输入数据流创建，也可以由其他DStream转化而来。**在内部，DStream表示为一系列RDD**。 + +
+ + + +### 2.3 Spark & Storm & Flink + +storm和Flink都是真正意义上的流计算框架，但 Spark Streaming 只是将数据流进行极小粒度的拆分，拆分为多个批处理，使得其能够得到接近于流处理的效果，但其本质上还是批处理（或微批处理）。 + + + + + +## 参考资料 + +[Spark Streaming Programming Guide](https://spark.apache.org/docs/latest/streaming-programming-guide.html) \ No newline at end of file diff --git a/notes/SparkSQL-Datasets&DataFrames.md b/notes/SparkSQL-Dataset&DataFrame.md similarity index 100% rename from notes/SparkSQL-Datasets&DataFrames.md rename to notes/SparkSQL-Dataset&DataFrame.md diff --git a/notes/Storm和流处理简介.md b/notes/Storm和流处理简介.md index 9475971..a465181 100644 --- a/notes/Storm和流处理简介.md +++ b/notes/Storm和流处理简介.md @@ -35,7 +35,7 @@ Hadoop采用HDFS存储数据，采用MapReduce处理数据。MapReduce主要是 #### 1.3 Storm 与 Spark Streaming对比 -严格意义上说Spark Streaming并不是实时计算框架。 Spark Streaming接收实时输入的数据流，并将数据拆分为批处理，由Spark引擎处理后批量生成结果流。只不过 Spark Streaming 能够将数据流按秒级进行拆分，使得其能够得到接近于流处理的效果，但其本质上还是批处理（或微批处理）。 +Spark Streaming并不是真正意义上的流处理框架。 Spark Streaming接收实时输入的数据流，并将数据拆分为批处理，由Spark引擎处理后批量生成结果流。只不过 Spark Streaming 能够将数据流进行极小粒度的拆分，使得其能够得到接近于流处理的效果，但其本质上还是批处理（或微批处理）。
@@ -46,9 +46,9 @@ storm和Flink都是真正意义上的实时计算框架。其对比如下： | | storm | flink | | -------- | ------------------------------------------------------------ | ------------------------------------------------------------ | | 状态管理 | 无状态 | 有状态 | -| 窗口支持 | 对事件窗口支持较弱，缓存整个窗口的所有数据，窗口结束时一起计算 | 窗口支持较为完善，自带一些窗口聚合方法，并且会自动管理窗口状态 | -| 消息投递 | At Least Once | Exactly Once | -| 容错方式 | ACK机制：对每个消息进行全链路跟踪，失败或者超时时候进行重发 | 检查点机制：通过分布式一致性快照机制，对数据流和算子状态进行保存。在发生错误时，使系统能够进行回滚。 | +| 窗口支持 | 对事件窗口支持较弱，缓存整个窗口的所有数据，窗口结束时一起计算 | 窗口支持较为完善，自带一些窗口聚合方法，
并且会自动管理窗口状态 | +| 消息投递 | At Most Once
At Least Once | At Most Once
At Least Once
**Exactly Once** | +| 容错方式 | ACK机制：对每个消息进行全链路跟踪，失败或者超时时候进行重发 | 检查点机制：通过分布式一致性快照机制，
对数据流和算子状态进行保存。在发生错误时，使系统能够进行回滚。 | > 注 : 一般来说，对于消息投递，一般有以下三种方案： diff --git a/pictures/spark-streaming-arch.png b/pictures/spark-streaming-arch.png new file mode 100644 index 0000000..f86fb6b Binary files /dev/null and b/pictures/spark-streaming-arch.png differ diff --git a/pictures/spark-streaming-flow.png b/pictures/spark-streaming-flow.png new file mode 100644 index 0000000..bf5dd40 Binary files /dev/null and b/pictures/spark-streaming-flow.png differ