Spark-streaming-2.0-Kafka：从kafka接收数据Receiver和direct两种方式源码解读

问题导读：
1. streaming kafka direct API 是如何实现的？
2. streaming kafka receiver API 是如何实现的？
3. direct API  与 receiver API 区别在哪？



前段时间学习了spark streaming(http://www.jianshu.com/p/5dbb102cbbd9)采用kafka作为数据源时，数据接收并行度这一部分的源代码。本文主要将学习的体会记录一下，有理解不对的地方请多多指教。

Streaming从kafka接收数据有Receiver和direct两种方式。下面我们看一下这两种方式的源码。

Direct approach

这种方式是使用kafka的低阶API从kafka消费数据。一般如果需要自行维护partition的offset，实现自定义checkpoint文件，或者exactlyOnce场景下就会用到这一方式。

首先需要看一下DirectKafkaInputDStream这个类，他是我们调用KafkaUtil.
createDirectStream方法生成的用来从kafka端接收数据的。
compute方法定义了InputDStream是如何根据指定的batchTime生成RDD的。


latestLeaderOffsets方法是获取当前InputDStream所包含的topic下所有的partition的最新offset的。Clamp方法是根据spark.streaming.kafka.maxRatePerPartition和backpressure这两个参数来设置当前block可以消费到的offset的（即untilOffset）。这个数值需要跟partition最新的offset取最小值。


maxMessagesPerPartition方法实现了获取某个partition能消费到的message的数量。该方法首先会计算一个每分区每秒钟消费的消息数上线effectiveRateLimitPerPartition，他的value如下图红框中，是在spark.streaming.kafka.maxRatePerPartition和batckpressure中取一个最小值，如果只配置了一个则以配置的为准，都没配置则返回None，返回None时直接取leader最新的offset。然后再根据batchTime计算出某partition在batchTime内能消费的消息数上限。


其中backpressure是spark1.5版本之后增加的参数，能够根据上一个batch的执行效率，动态估算出当前batch能处理的最大消息数。这个参数在每个batch计算完成后，会通过StreamingListenerBus监听StreamingListenerBatchCompleted事件，然后由org.apache.spark.streaming.scheduler.
onBatchCompleted方法来重新计算，如下：


Backpressure的具体实现思路先不展开了（计算公式在PIDRateEstimator.compute方法中）。我们回到DirectKafkaInputDStream.compute方法。当计算完每个partition的untilOffset之后，会根据当前InputDStream所消费的topic的每个partition的currentOffset和untilOffset构建KafkaRDD。

在kafkaRDD中我们可以看到他重写的一些RDD的方法，
在getPartitions方法中可以看到，KafkaRDD的partition个数就是topic的partition个数之和。



在getPreferredLocations方法中可以看到，partition的首选location就是该topic的某个partition的leader所在的host。这是很合理的，因为leader上的数据正常情况下是最新的而且是最准确的。而follower的数据往往还需要从leader上做同步，并且一旦同步出现较大的落后，还会从in-sync列表中移除。而且kafka的读写都是通过leader进行的。



关于方法中part.host可以一路反推回去，会跟踪到KafkaCluster.getLeaderOffsets方法中调用的findLeaders方法，即part.host就是leader的host。
compute方法是RDD用来构建一个partition的数据的。



我们看一下用来从partition中获取数据的KafkaRDDIterator类。在类体中会发现
val consumer = connectLeader
的代码，这说明一点，spark streaming的kafka低阶API是每一个partition起一个consumer来消费数据的。

然后我们看一下fetchBatch方法。该方法中是我们很熟悉的一段根据起止offset消费kafka某topic某partition数据的代码。



通过kafkaRDD这个类的阅读我们可以看出，接收数据是以partition的leader为维度做分布式的，这样做可以保证这个host上是有我要消费的数据的，能够实现数据本地化。

Receiver

这种方式是采用kafka的高阶API来消费数据的。

建立InputDStream的代码如下：


从KafkaUtils.createStream开始跟到KafkaInputDStream类，



getReceiver()方法中的变量useReliableReceiver是判断是否配置了WAL机制。如下：


我们看一下KafkaReceiver的实现代码：
在他的onStart()方法中可以看到他是创建了一个线程池executorPool来消费消息的。而这个线程池的线程数，就是我们在KafkaUtils.createStream时的入参onlineStaffTopicMap的values的和。也就是说入参onlineStaffTopicMap的value指的是某个topic在这个InputDStream中会有多少个consumer去消费数据。


再看一下MessageHandler中消费及保存数据的逻辑：


这段代码中streamIterator是被我们所喜闻乐见的使用高阶API从kafka消费数据的代码。在代码中消费完数据之后，调用了store方法将message进行了保存。
Store方法最终会将这条消息addData到BlockGenerator类中的currentBuffer:
ArrayBuffer中。

该类中的updateCurrentBuffer方法值得我们关注一下，他是用来将已经收集到的消息封装成一个Block的。


那么这个方法什么情况下会被调用呢，需要看一下blockIntervalTimer的实现类RecurringTimer。


RecurringTimer是一个定时重复执行高阶函数callback的执行器，他是通过Thread反复执行loop方法实现的，loop方法中只要定时器不被终止，就会反复调用triggerActionForNextInterval方法，而triggerActionForNextInterval会在特定的时刻（即nextTime）执行callback函数（即入参updateCurrentBuffer函数）。执行完成之后会在nextTime上增加period作为下一次执行的时刻。
而period方法是什么呢，他就是我们在构建blockIntervalTimer时的入参blockIntervalMs，也就是streaming性能的一个优化点spark.streaming.blockInterval。也就是说，这段代码的逻辑是每间隔blockInterval将由consumer消费到的数据切分成一个block。由此我们可以看到，这个参数是用来将Batch中所接受到的数据以它为时间间隔切分为block，而在streaming处理数据时，会将block作为一个partition来进行分布式计算，也就是说我们在指定的batchTime中，根据blockInterval能切出多少个block，就能分成多少个partition，从而决定了streaming处理时的分布式程度。这一段代码如下：








具体为什么我们说一个block会作为一个partition来进行计算，这一点可以看一下ReceiverInputDStream类的compute方法，该方法调用了createBlockRDD方法来创建基于Receiver模式的RDD。在该方法中可以看到最终封装的RDD为BlockRDD或者WriteAheadLogBackedBlockRDD。

BlockRDD类中getPartitions方法是说将这个batch的blocks作为partitions。Compute方法则按照入参BlockRDDPartition的blockId，从blockManager中获取该block作为partition的数据。getPreferredLocations则是将BlockRDDPartition所在的host作为partition的首选位置。


总结

通过阅读源码我们可以看出，direct的方式是从kafka消费完数据之后直接封装成partition的数据提供给作业使用，而receiver是将消费到数据按照blockInterval切分成block，保存到blockManager中，在使用时会根据blockId获取该数据。

另外direct的方式rdd的partition与topic的partition是一一对应的，如果某个topic只有一个partition就不好了。而receiver的partition是根据blockInterval切分出来的，blockInterval的默认值是200ms，不存在这个问题。

这两种方式在生产环境上用的都比较多，我们一开始采用的是receiver的方式。后来为了实现自定义checkpoint，改为了direct的方式。

来源：http://www.jianshu.com/p/5dbb102cbbd9
作者：疯狂的轻骑兵

多谢解读分享~~~