根本:详解receiver based Dstream
深圳浪尖 浪尖聊大数据
使用注意事项
- receiver 会像正常task一样，由driver调度到executor，并占用一个cpu，与正常task不同，receiver是常驻线程
-
receiver个数 KafkaUtils.createStream调用次数决定，调用一次产生一个receiver
-
al topicMap = Map("page_visits" -> 1) map的value对应的数值实际上是消费的线程个数。
前情：基于reciver kafka java客户端消费者高阶API
- receiver 默认 200ms 生成一个block，spark.streaming.blockInterval默认值是200ms。最小建议是50ms，小于该值，性能不好，比如task加载比重就比较大了。每秒钟大于50个任务，那么将任务加载分发执行就会成为一种负担。
根据数据量来调整block的生成周期。
- receiver接收的block会放入blockmananger，每个executor都会有一个blockmanager实例，由于数据的本地性，那么存在recever的executor会被调度执行更多的task，就会导致某些executor比较空闲。
a). 增加executor
b). repartition增加分区
c). 调整数据本地性 spark.locality.wait 假如任务都是3s以内执行结束，就会导致越来越多的任务调度到数据存在的executor上执行，最终导致executor执行的任务失衡。
-
kafka 082 高阶消费者api，有分组的概念。当然就会产生一个问题，消费者组内的线程数，和kafka分区数的对应关系。
-
checkpoint 目的是从driver故障恢复或者恢复upstatebykey等状态
- wal，预写日志，为了故障恢复，实现了最少一次消费。一是没必要多副本，尤其是基于hdfs的存储。然后为了效率，可以关闭wal。使能wal只需要将spark.streaming.receiver.writeAheadLog.enable配置为true，默认值是false
9 限制消费者最大速率
1. spark.streaming.backpressure.enabled
默认是false，设置为true，就开启了背压机制。
2. spark.streaming.backpressure.initialRate
默认没设置，初始速率。第一次启动的时候每个receiver接受数据的最大值。
3. spark.streaming.receiver.maxRate
默认值没设置。每个接收器将接收数据的最大速率（每秒记录数）。
实际上，每个流每秒最多将消费此数量的记录。 将此配置设置为0或负数将不会对速率进行限制。10。 spark.streaming.stopGracefullyOnShutdown
on yarn 模式kill的时候是立即终止程序的，无效。
- 在产生job的时候会将当前job有效范围的所有block组装成一个blockrdd，一个block对应一个分区。
图解
未加入wal的基于recevier的dstream
加入wal的Dstream
存checkpoint和wal的过程
故障恢复图解
视频