Spark Streaming

最后更新于:2022-04-01 22:18:42

# Spark Streaming Spark streaming是Spark核心API的一个扩展,它对实时流式数据的处理具有可扩展性、高吞吐量、可容错性等特点。我们可以从kafka、flume、Twitter、 ZeroMQ、Kinesis等源获取数据,也可以通过由高阶函数map、reduce、join、window等组成的复杂算法计算出数据。最后,处理后的数据可以推送到文件系统、数据库、实时仪表盘中。事实上,你可以将处理后的数据应用到Spark的[机器学习算法](https://spark.apache.org/docs/latest/mllib-guide.html)、[图处理算法](https://spark.apache.org/docs/latest/graphx-programming-guide.html)中去。 ![Spark Streaming处理流程](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2015-08-16_55d04e9879bea.png) 在内部,它的工作原理如下图所示。Spark Streaming接收实时的输入数据流,然后将这些数据切分为批数据供Spark引擎处理,Spark引擎将数据生成最终的结果数据。 ![Spark Streaming处理原理](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2015-08-16_55d04e989c932.png) Spark Streaming支持一个高层的抽象,叫做离散流(`discretized stream`)或者`DStream`,它代表连续的数据流。DStream既可以利用从Kafka, Flume和Kinesis等源获取的输入数据流创建,也可以在其他DStream的基础上通过高阶函数获得。在内部,DStream是由一系列RDDs组成。 本指南指导用户开始利用DStream编写Spark Streaming程序。用户能够利用scala、java或者Python来编写Spark Streaming程序。 注意:Spark 1.2已经为Spark Streaming引入了Python API。它的所有DStream transformations和几乎所有的输出操作可以在scala和java接口中使用。然而,它只支持基本的源如文本文件或者套接字上的文本数据。诸如flume、kafka等外部的源的API会在将来引入。 - [一个快速的例子](#) - [基本概念](#) - [关联](#) - [初始化StreamingContext](#) - [离散流](#) - [输入DStreams](#) - [DStream中的转换](#) - [DStream的输出操作](#) - [缓存或持久化](#) - [Checkpointing](#) - [部署应用程序](#) - [监控应用程序](#) - [性能调优](#) - [减少批数据的执行时间](#) - [设置正确的批容量](#) - [内存调优](#) - [容错语义](#)
';