方式1:

1. 明確 Spark中Job 與 Streaming中 Job 的區(qū)別

1.1 Spark Core

一個(gè) RDD DAG Graph 可以生成一個(gè)或多個(gè) Job（Action操作）

一個(gè)Job可以認(rèn)為就是會(huì)最終輸出一個(gè)結(jié)果RDD的一條由RDD組織而成的計(jì)算

Job在spark里應(yīng)用里是一個(gè)被調(diào)度的單位

1.2 Streaming

一個(gè) batch 的數(shù)據(jù)對(duì)應(yīng)一個(gè) DStreamGraph

而一個(gè) DStreamGraph 包含一或多個(gè)關(guān)于 DStream 的輸出操作

每一個(gè)輸出對(duì)應(yīng)于一個(gè)Job，一個(gè) DStreamGraph 對(duì)應(yīng)一個(gè)JobSet，里面包含一個(gè)或多個(gè)Job

2. Streaming Job的并行度

Job的并行度由兩個(gè)配置決定：

spark.scheduler.mode(FIFO/FAIR)
spark.streaming.concurrentJobs

一個(gè) Batch 可能會(huì)有多個(gè) Action 執(zhí)行，比如注冊(cè)了多個(gè) Kafka 數(shù)據(jù)流，每個(gè)Action都會(huì)產(chǎn)生一個(gè)Job

所以一個(gè) Batch 有可能是一批 Job,也就是 JobSet 的概念

這些 Job 由 jobExecutor 依次提交執(zhí)行

而 JobExecutor 是一個(gè)默認(rèn)池子大小為1的線程池，所以只能執(zhí)行完一個(gè)Job再執(zhí)行另外一個(gè)Job

這里說(shuō)的池子，大小就是由spark.streaming.concurrentJobs 控制的

concurrentJobs 決定了向 Spark Core 提交Job的并行度

提交一個(gè)Job，必須等這個(gè)執(zhí)行完了，才會(huì)提交第二個(gè)

假設(shè)我們把它設(shè)置為2，則會(huì)并發(fā)的把 Job 提交給 Spark Core

Spark 有自己的機(jī)制決定如何運(yùn)行這兩個(gè)Job，這個(gè)機(jī)制其實(shí)就是FIFO或者FAIR（決定了資源的分配規(guī)則）

默認(rèn)是 FIFO，也就是先進(jìn)先出，把 concurrentJobs 設(shè)置為2，但是如果底層是FIFO，那么會(huì)優(yōu)先執(zhí)行先提交的Job

雖然如此，如果資源夠兩個(gè)job運(yùn)行，還是會(huì)并行運(yùn)行兩個(gè)Job

Spark Streaming 不同Batch任務(wù)可以并行計(jì)算么 https://developer.aliyun.com/article/73004

conf.setMaster("local[4]")
conf.set("spark.streaming.concurrentJobs", "3") //job 并行對(duì)
conf.set("spark.scheduler.mode", "FIFO")
val sc = new StreamingContext(conf, Seconds(5))

你會(huì)發(fā)現(xiàn)，不同batch的job其實(shí)也可以并行運(yùn)行的，這里需要有幾個(gè)條件：

有延時(shí)發(fā)生了，batch無(wú)法在本batch完成

concurrentJobs > 1

如果scheduler mode 是FIFO則需要某個(gè)Job無(wú)法一直消耗掉所有資源

Mode是FAIR則盡力保證你的Job是并行運(yùn)行的，毫無(wú)疑問(wèn)是可以并行的。

方式2:

場(chǎng)景1:

程序每次處理的數(shù)據(jù)量是波動(dòng)的，比如周末比工作日多很多，晚八點(diǎn)比凌晨四點(diǎn)多很多。

一個(gè)spark程序處理的時(shí)間在1-2小時(shí)波動(dòng)是OK的。而spark streaming程序不可以,如果每次處理的時(shí)間是1-10分鐘，就很蛋疼。
設(shè)置10分鐘吧，實(shí)際上10分鐘的也就那一段高峰時(shí)間，如果設(shè)置每次是1分鐘，很多時(shí)候會(huì)出現(xiàn)程序處理不過(guò)來(lái)，排隊(duì)過(guò)多的任務(wù)延遲更久，還可能出現(xiàn)程序崩潰的可能。

場(chǎng)景2:

• 程序需要處理的相似job數(shù)隨著業(yè)務(wù)的增長(zhǎng)越來(lái)越多
• 我們知道spark的api里無(wú)相互依賴的stage是并行處理的，但是job之間是串行處理的。
• spark程序通常是離線處理，比如T+1之類的延遲，時(shí)間變長(zhǎng)是可以容忍的。而spark streaming是準(zhǔn)實(shí)時(shí)的，如果業(yè)務(wù)增長(zhǎng)導(dǎo)致延遲增加就很不合理。

spark雖然是串行執(zhí)行job，但是是可以把job放到線程池里多線程執(zhí)行的。如何在一個(gè)SparkContext中提交多個(gè)任務(wù)

DStream.foreachRDD{
   rdd =>
    //創(chuàng)建線程池
    val executors=Executors.newFixedThreadPool(rules.length)
    //將規(guī)則放入線程池
    for( ru <- rules){
     val task= executors.submit(new Callable[String] {
      override def call(): String ={
       //執(zhí)行規(guī)則
       runRule(ru,spark)
      }
     })
    }
    //每次創(chuàng)建的線程池執(zhí)行完所有規(guī)則后shutdown
    executors.shutdown()
  }

注意點(diǎn)

1.最后需要executors.shutdown()。

• 如果是executors.shutdownNow()會(huì)發(fā)生未執(zhí)行完的task強(qiáng)制關(guān)閉線程。
• 如果使用executors.awaitTermination()則會(huì)發(fā)生阻塞，不是我們想要的結(jié)果。
• 如果沒(méi)有這個(gè)shutdowm操作，程序會(huì)正常執(zhí)行，但是長(zhǎng)時(shí)間會(huì)產(chǎn)生大量無(wú)用的線程池，因?yàn)槊看蝔oreachRDD都會(huì)創(chuàng)建一個(gè)線程池。

2.可不可以將創(chuàng)建線程池放到foreachRDD外面？

不可以，這個(gè)關(guān)系到對(duì)于scala閉包到理解，經(jīng)測(cè)試，第一次或者前幾次batch是正常的，后面的batch無(wú)線程可用。

3.線程池executor崩潰了就會(huì)導(dǎo)致數(shù)據(jù)丟失

原則上是這樣的，但是正常的代碼一般不會(huì)發(fā)生executor崩潰。至少我在使用的時(shí)候沒(méi)遇到過(guò)。

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。