(版本定制)第16課：Spark Streaming源碼解讀之數據清理內幕徹底解密

本期內容：

    1、Spark Streaming元數據清理詳解

    2、Spark Streaming元數據清理源碼解析

一、如何研究Spark Streaming元數據清理

1. 操作DStream的時候會產生元數據，所以要解決RDD的數據清理工作就一定要從DStream入手。因為DStream是RDD的模板，DStream之間有依賴關系。 
   DStream的操作產生了RDD,接收數據也靠DStream，數據的輸入，數據的計算，輸出整個生命周期都是由DStream構建的。由此，DStream負責RDD的整個生命周期。因此研究的入口的是DStream。

2. 基于Kafka數據來源，通過Direct的方式訪問Kafka,DStream隨著時間的進行，會不斷的在自己的內存數據結構中維護一個HashMap,HashMap維護的就是時間窗口，以及時間窗口下的RDD.按照Batch Duration來存儲RDD以及刪除RDD.

3. Spark Streaming本身是一直在運行的，在自己計算的時候會不斷的產生RDD，例如每秒Batch Duration都會產生RDD,除此之外可能還有累加器，廣播變量。由于不斷的產生這些對象，因此Spark Streaming有自己的一套對象，元數據以及數據的清理機制。

4. Spark Streaming對RDD的管理就相當于JVM的GC

二、源碼解析

Spark Streaming是通過我們設定的Batch Durations來不斷的產生RDD，Spark Streaming清理元數據跟時鐘有關，因為數據是周期性的產生，所以肯定是周期性的釋放，這些都跟JobGenerator有關，所以我們先從這開始研究。

1、RecurringTimer: 消息循環器將消息不斷的發送給EventLoop

= RecurringTimer(...millisecondslongTime => .post((Time(longTime))))

2、eventLoop：onReceive接收到消息

(): = synchronized {
(!= ) = EventLoop[JobGeneratorEvent]() {
(event: JobGeneratorEvent): = processEvent(event)

(e: ): = {
      jobScheduler.reportError(e)
    }
  }
.start()

(.) {
    restart()
  } {
    startFirstTime()
  }
}

3、在processEvent中接收清理元數據消息

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

具體的方法實現內容就不再這里說，我們進一步分析下這些清理動作是在什么時候被調用的，在Spark Streaming應用程序中，最終Job是交給JobHandler來執行的，所以我們分析下JobHandler

private class JobHandler(job: Job) extends Runnable with Logging {
import JobScheduler._

def run() {
try {
val formattedTime = UIUtils.formatBatchTime(
          job.time.milliseconds, ssc.graph.batchDuration.milliseconds, showYYYYMMSS = false)
val batchUrl = s"/streaming/batch/?id=${job.time.milliseconds}"
val batchLinkText = s"[output operation ${job.outputOpId}, batch time ${formattedTime}]"

ssc.sc.setJobDescription(
s"""Streaming job from <a href="$batchUrl">$batchLinkText</a>""")
        ssc.sc.setLocalProperty(BATCH_TIME_PROPERTY_KEY, job.time.milliseconds.toString)
        ssc.sc.setLocalProperty(OUTPUT_OP_ID_PROPERTY_KEY, job.outputOpId.toString)

// We need to assign `eventLoop` to a temp variable. Otherwise, because
        // `JobScheduler.stop(false)` may set `eventLoop` to null when this method is running, then
        // it's possible that when `post` is called, `eventLoop` happens to null.
var _eventLoop = eventLoop
if (_eventLoop != null) {
          _eventLoop.post(JobStarted(job, clock.getTimeMillis()))
// Disable checks for existing output directories in jobs launched by the streaming
          // scheduler, since we may need to write output to an existing directory during checkpoint
          // recovery; see SPARK-4835 for more details.
PairRDDFunctions.disableOutputSpecValidation.withValue(true) {
            job.run()
          }
          _eventLoop = eventLoop
if (_eventLoop != null) {
_eventLoop.post(JobCompleted(job, clock.getTimeMillis()))
          }
        } else {
// JobScheduler has been stopped.
}
      } finally {
        ssc.sc.setLocalProperty(JobScheduler.BATCH_TIME_PROPERTY_KEY, null)
        ssc.sc.setLocalProperty(JobScheduler.OUTPUT_OP_ID_PROPERTY_KEY, null)
      }
    }
  }
}

當Job完成的時候，會發JobCompleted消息給onReceive，通過processEvent來執行具體的方法

private def processEvent(event: JobSchedulerEvent) {
try {
    event match {
case JobStarted(job, startTime) => handleJobStart(job, startTime)
case JobCompleted(job, completedTime) => handleJobCompletion(job, completedTime)
case ErrorReported(m, e) => handleError(m, e)
    }
  } catch {
case e: Throwable =>
      reportError("Error in job scheduler", e)
  }
}

private def handleJobCompletion(job: Job, completedTime: Long) {
val jobSet = jobSets.get(job.time)
  jobSet.handleJobCompletion(job)
  job.setEndTime(completedTime)
listenerBus.post(StreamingListenerOutputOperationCompleted(job.toOutputOperationInfo))
  logInfo("Finished job " + job.id + " from job set of time " + jobSet.time)
if (jobSet.hasCompleted) {
jobSets.remove(jobSet.time)
jobGenerator.onBatchCompletion(jobSet.time)
    logInfo("Total delay: %.3f s for time %s (execution: %.3f s)".format(
      jobSet.totalDelay / 1000.0, jobSet.time.toString,
jobSet.processingDelay / 1000.0
))
listenerBus.post(StreamingListenerBatchCompleted(jobSet.toBatchInfo))
  }
  job.result match {
case Failure(e) =>
      reportError("Error running job " + job, e)
case _ =>
  }
}

通過jobGenerator.onBatchCompletion來清理元數據

/**
 * Callback called when a batch has been completely processed.
 */
def onBatchCompletion(time: Time) {
eventLoop.post(ClearMetadata(time))
}

到這里Spark Streaming清理元數據的步驟基本上完成了