以Socket为例，SocketInputDStream对应的流数据接收器为SocketReceiver，在SocketInputDStream中通过getReceiver方法获取该流数据接收器：
在StreamingContext启动过程中，ReceiverTracker会把流数据接收器Receiver分发到Executor上，在每个Executor上，由ReceiverSupervisor启动对应Receiver；在Spark1.4及以前的版本中根据N个Receiver实例，在StreamingContext中创建一个作业，在该作业包含N个任务；
如下图：
1：先遍历ReceiveInputStream,通过其getReceiver获取需要启动的N个Receiver实例，然后把这些实例作为N份数据，在StreamingContext创建一个RDD实例，该RDD分为N个partition。每个
partition对应包含一个Receiver数据，即Receiver实例；
2：在这里我们把Receiver所进行的计算定义为func函数，该函数以Receiver实例为参数构造ReceiverSupervisorImpl实例supervisor，构造完毕后使用新线程启动该Supervisor并阻塞该线程；
3：把ReceiverTacker尽可能地按照Receiver的首选位置分发到集群中并启动，启动完毕后Receiver会处于阻塞状态，持续不断的接入流数据；
该Receiver分发方式在长时间的运行过程中，如果出现某个任务失败，则spark会重新发送该任务到其他Executor进行重跑，但由于该分发的过程属于随机分配，无法实现集群的负载均衡，有可能出现某Worker节点运行多个任务，而某些worker节点却是空闲的。而当该任务失败次数超过规定的上限spark.task.maxFailures(默认=4)。则会导致该Receiver无法启动；
针对以上出现的问题，在Spark1.5及以后的版本做优化；
在StreamingContext中会根据N个Receiver实例创建N个作业，各个作业中只包含一个任务，并加入了可插拔的Receiver分发策略；
在Spark Streaming中每个Receiver都有一个作业来分发（该作业只包含一个任务），而且对于仅有的一个任务只在第一次启动的时候，才尝试启动Receiver。如果该任务失败了，则不再尝试启动Receiver，对应的作业可以置为完成状态，此时ReceiverTacker会新生一个作业，在其他Executor尝试启动，直到成功为止，这样Receiver就不会受到任务失败上限而无法启动。通过这种方式，Spark Streaming总是保持活性，并不会随Executor的失败而终止；
Receiver分发策略
Receiver分发策略在ReceiverSchedulingPolicy类中定义，在Receiver分发之前会收集所有的InputDstream包含的所有Receiver实例和Executor，然后调用该类中的scheduleReceivers方法计算每个Receiver对应的Executor，在该方法中以轮询的调度方式进行分配，首先对存在首选位置的Receiver进行处理，尽可能地把Receiver运行在首选位置机器运行Receiver个数最少的Executor中，接着对于没有首选位置的Receiver，则优先分配到运行Receiver个数最少的Executor中，分配完成后返回调度好的Executor列表；
QQ交流群：519844688