很多用Spark Streaming 的朋友應(yīng)該使用過broadcast，大多數(shù)情況下廣播變量都是以單例模式聲明的有沒有粉絲想過為什么?浪尖在這里幫大家分析一下，有以下幾個原因：

1. 廣播變量大多數(shù)情況下是不會變更的，使用單例模式可以減少spark streaming每次job生成執(zhí)行，重復(fù)生成廣播變量帶來的開銷。
2. 單例模式也要做同步。這個對于很多新手來說可以不用考慮同步問題，原因很簡單因為新手不會調(diào)整spark 程序task的調(diào)度模式，而默認(rèn)采用FIFO的調(diào)度模式，基本不會產(chǎn)生并發(fā)問題。1).假如你配置了Fair調(diào)度模式，同時修改了Spark Streaming運行的并行執(zhí)行的job數(shù)，默認(rèn)為1，那么就要加上同步代碼了。2).還有一個原因，在多輸出流的情況下共享broadcast,同時配置了Fair調(diào)度模式，也會產(chǎn)生并發(fā)問題。
3. 注意。有些時候比如廣播配置文件，規(guī)則等需要變更broadcast，在使用fair的時候可以在foreachrdd里面使用局部變量作為廣播，避免相互干擾。

先看例子，后面逐步揭曉內(nèi)部機制。

1.例子

下面是一個雙重檢查式的broadcast變量的聲明方式。

object WordBlacklist { 
 
  @volatile private var instance: Broadcast[Seq[String]] = null 
 
  def getInstance(sc: SparkContext): Broadcast[Seq[String]] = { 
    if (instance == null) { 
      synchronized { 
        if (instance == null) { 
          val wordBlacklist = Seq("a", "b", "c") 
          instance = sc.broadcast(wordBlacklist) 
        } 
      } 
    } 
    instance 
  } 
} 

廣播變量的使用方法如下：

val lines = ssc.socketTextStream(ip, port) 
    val words = lines.flatMap(_.split(" ")) 
    val wordCounts = words.map((_, 1)).reduceByKey(_ + _) 
    wordCounts.foreachRDD { (rdd: RDD[(String, Int)], time: Time) => 
      // Get or register the blacklist Broadcast 
      val blacklist = WordBlacklist.getInstance(rdd.sparkContext) 
      // Get or register the droppedWordsCounter Accumulator 
      val droppedWordsCounter = DroppedWordsCounter.getInstance(rdd.sparkContext) 
      // Use blacklist to drop words and use droppedWordsCounter to count them 
      val counts = rdd.filter { case (word, count) => 
        if (blacklist.value.contains(word)) { 
          droppedWordsCounter.add(count) 
          false 
        } else { 
          true 
        } 
      }.collect().mkString("[", ", ", "]") 
      val output = s"Counts at time $time $counts" 
      println(output) 
      println(s"Dropped ${droppedWordsCounter.value} word(s) totally") 
      println(s"Appending to ${outputFile.getAbsolutePath}") 
      Files.append(output + "\n", outputFile, Charset.defaultCharset()) 
    } 

2.概念補充

首先，一個基本概念就是Spark應(yīng)用程序從開始提交到task執(zhí)行分了很多層。

1. 應(yīng)用調(diào)度器。主要是資源管理器，比如standalone，yarn等負(fù)責(zé)Spark整個應(yīng)用的調(diào)度和集群資源的管理。
2. job調(diào)度器。spark 的算子分為主要兩大類，transform和action，其中每一個action都會產(chǎn)生一個job。這個job需要在executor提供的資源池里調(diào)度執(zhí)行，當(dāng)然并不少直接調(diào)度執(zhí)行job。
3. stage劃分及調(diào)度。job具體會劃分為若干stage，這個就有一個基本的概念就是寬依賴和窄依賴，寬依賴就會劃分stage。stage也需要調(diào)度執(zhí)行，從后往前劃分，從前往后調(diào)度執(zhí)行。
4. task切割及調(diào)度。stage往下繼續(xù)細(xì)化就是會根據(jù)不太的并行度劃分出task集合，這個就是在executor上調(diào)度執(zhí)行的基本單元，目前的調(diào)度默認(rèn)是一個task一個cpu。
5. Spark Streaming 的job生成是周期性的。當(dāng)前job的執(zhí)行時間超過生成周期就會產(chǎn)生job 累加。累加一定數(shù)目的job后有可能會導(dǎo)致應(yīng)用程序失敗。這個主要原因是由于FIFO的調(diào)度模式和Spark Streaming的默認(rèn)單線程的job執(zhí)行機制

3.Spark Streaming job生成

這個源碼主要入口是StreamingContext#JobScheduler#JobGenerator對象，內(nèi)部有個RecurringTimer，主要負(fù)責(zé)按照批處理時間周期產(chǎn)生GenrateJobs事件，當(dāng)然在存在windows的情況下，該周期有可能不會生成job，要取決于滑動間隔，有興趣自己去揭秘，浪尖星球里分享的視頻教程里講到了。具體代碼塊如下

private val timer = new RecurringTimer(clock, ssc.graph.batchDuration.milliseconds, 
   longTime => eventLoop.post(GenerateJobs(new Time(longTime))), "JobGenerator") 

我們直接看其實現(xiàn)代碼塊：

eventLoop = new EventLoop[JobGeneratorEvent]("JobGenerator") { 
      override protected def onReceive(event: JobGeneratorEvent): Unit = processEvent(event) 
 
      override protected def onError(e: Throwable): Unit = { 
        jobScheduler.reportError("Error in job generator", e) 
      } 
    } 
    eventLoop.start() 

event處理函數(shù)是processEvent方法

/** Processes all events */ 
  private def processEvent(event: JobGeneratorEvent) { 
    logDebug("Got event " + event) 
    event match { 
      case GenerateJobs(time) => generateJobs(time) 
      case ClearMetadata(time) => clearMetadata(time) 
      case DoCheckpoint(time, clearCheckpointDataLater) => 
        doCheckpoint(time, clearCheckpointDataLater) 
      case ClearCheckpointData(time) => clearCheckpointData(time) 
    } 
  } 

在接受到GenerateJob事件的時候，會執(zhí)行g(shù)enerateJobs代碼，就是在該代碼內(nèi)部產(chǎn)生和調(diào)度job的。

/** Generate jobs and perform checkpointing for the given `time`.  */ 
  private def generateJobs(time: Time) { 
    // Checkpoint all RDDs marked for checkpointing to ensure their lineages are 
    // truncated periodically. Otherwise, we may run into stack overflows (SPARK-6847). 
    ssc.sparkContext.setLocalProperty(RDD.CHECKPOINT_ALL_MARKED_ANCESTORS, "true") 
    Try { 
      jobScheduler.receiverTracker.allocateBlocksToBatch(time) // allocate received blocks to batch 
      graph.generateJobs(time) // generate jobs using allocated block 
    } match { 
      case Success(jobs) => 
        val streamIdToInputInfos = jobScheduler.inputInfoTracker.getInfo(time) 
        jobScheduler.submitJobSet(JobSet(time, jobs, streamIdToInputInfos)) 
      case Failure(e) => 
        jobScheduler.reportError("Error generating jobs for time " + time, e) 
        PythonDStream.stopStreamingContextIfPythonProcessIsDead(e) 
    } 
    eventLoop.post(DoCheckpoint(time, clearCheckpointDataLater = false)) 
  } 

可以看到代碼里首先會執(zhí)行job生成代碼

graph.generateJobs(time) 
 
具體代碼塊兒 
 
def generateJobs(time: Time): Seq[Job] = { 
    logDebug("Generating jobs for time " + time) 
    val jobs = this.synchronized { 
      outputStreams.flatMap { outputStream => 
        val jobOption = outputStream.generateJob(time) 
        jobOption.foreach(_.setCallSite(outputStream.creationSite)) 
        jobOption 
      } 
    } 
    logDebug("Generated " + jobs.length + " jobs for time " + time) 
    jobs 
  } 

每個輸出流都會生成一個job，輸出流就類似于foreachrdd，print這些。其實內(nèi)部都是ForEachDStream。所以生成的是一個job集合。

然后就會將job集合提交到線程池里去執(zhí)行，這些都是在driver端完成的哦。

jobScheduler.submitJobSet(JobSet(time, jobs, streamIdToInputInfos)) 
 
具體h函數(shù)內(nèi)容 
def submitJobSet(jobSet: JobSet) { 
    if (jobSet.jobs.isEmpty) { 
      logInfo("No jobs added for time " + jobSet.time) 
    } else { 
      listenerBus.post(StreamingListenerBatchSubmitted(jobSet.toBatchInfo)) 
      jobSets.put(jobSet.time, jobSet) 
      jobSet.jobs.foreach(job => jobExecutor.execute(new JobHandler(job))) 
      logInfo("Added jobs for time " + jobSet.time) 
    } 
  } 

其實就是遍歷生成的job集合，然后提交到線程池jobExecutor內(nèi)部執(zhí)行。這個也是在driver端的哦。

jobExecutor就是一個固定線程數(shù)的線程池，默認(rèn)是1個線程。

private val numConcurrentJobs = ssc.conf.getInt("spark.streaming.concurrentJobs", 1) 
  private val jobExecutor = 
    ThreadUtils.newDaemonFixedThreadPool(numConcurrentJobs, "streaming-job-executor") 

需要的話可以配置spark.streaming.concurrentJobs來同時提交執(zhí)行多個job。

那么這種情況下，job就可以并行執(zhí)行了嗎?

顯然不是的!

還要修改一下調(diào)度模式為Fair，詳細(xì)的配置可以參考：

http://spark.apache.org/docs/2.3.3/job-scheduling.html#scheduling-within-an-application

簡單的均分的話只需要

conf.set("spark.scheduler.mode", "FAIR") 

然后，同時運行的job就會均分所有executor提供的資源。

這就是整個job生成的整個過程了哦。

因為Spark Streaming的任務(wù)存在Fair模式下并發(fā)的情況，所以需要在使用單例模式生成broadcast的時候要注意聲明同步。