SparkStreaming基础理论

一、Spark Streaming的介绍

（1）为什么要有Spark Streaming？

   Hadoop 的 MapReduce 及 Spark SQL 等只能进行离线计算，无法满足实时性要求较高的业务 需求，例如实时推荐、实时网站性能分析等，流式计算可以解决这些问题。目前有三种比较 常用的流式计算框架，它们分别是 Storm，Spark Streaming 和 fink。

（2）Spark Streaming是什么？

   Spark Streaming，其实就是一种Spark提供的，对于大数据，进行实时计算的一种框架。它的底层，其实，也是基于我们之前讲解的Spark Core的。基本的计算模型，还是基于内存的大数据实时计算模型。而且，它的底层的核心组件还是我们在Spark Core中经常用到的RDD。针对实时计算的特点，在RDD之上，进行了一层封装，叫做DStream。其底层还是基于RDD的。所以，RDD是整个Spark技术生态中的核心。
   Spark streaming支持的数据输入源很多，如：Kafka、Flume、Twitter、ZeroMQ 和简单的 TCP 套接字等等。数据输入后可以用spark的高度抽象语：map、reduce、join、window 等进行运算。而结果也能保存在很多地方。如HDFS， 数据库等。另外，spark streaming也能和MLlib（机器学习）以及 Graphx 完美融合。

（3）Spark Streaming的优势

易用

容错：

与spark体系无缝整合

二、Spark Streaming的核心概念

   接收实时输入数据流，然后将数据拆分成多个batch，比如每收集1秒的数据封装为一个batch，然后将每个batch交给Spark的计算引擎进行处理，最后会生产出一个结果数据流，其中的数据，也是由一个一个的batch所组成的。

（1）相关术语介绍：

  离散流DStream：这是spark streaming对内部持续的实时数据流的抽象描述，即我们处理的一个实时数据，在sparkstreaming中对应一个DStream实例。
  批数据：这是化整为零的第一步，将实时数据抽象，以时间片为单位进行分批，将流处理转化为时间片，数据的批处理，随着持续时间的推移，这些处理结果就形成了对应的结果数据流。
  时间片或批处理时间间隔：人为地对流数据进行定量的标准，以时 间片作为我们拆分流数据的依据。一个时间片的数据对应一个 RDD 实例。

窗口长度：一个窗口覆盖的数据流的时间长度，必须是批处理时间间隔的倍数。
滑动周期：前一个窗口到后一个窗口所经过的时间长度，必须是批处理时间间隔的倍数。
  InputDStream：一个 InputDStream 是一个特殊的 DStream，表示第一次被加载到实时数据流中的原始数据。

（2）DStream的相关介绍：

  Discretized Stream 是 Spark Streaming 的基础抽象，代表持续性的数据流和经过各种 Spark 原 语操作后的结果数据流。在内部实现上，DStream 是一系列连续的 RDD 来表示。DStream 是 连续数据的离散化表示，DStream 中每个离散片段都是一个 RDD，DStream 可以变换成另一 个 DStream。
  DStream对数据的操作也是按照RDD为单位来进行的：

1）DStream的相关操作：

  DStream上的原语与RDD类似，分为：Transformations（转换）和Output Operations（输出，类似于action）。
由于DStream的操作与RDD极为类似，而且DStream底层就是封装的RDD，所以这里简单的介绍一下Transformations。

注意：Transformations操作中有几个极为重要的操作：updateStateByKey()、transform()、window()、foreachRDD()。以后的博文中为详细介绍。