前言

為啥要了解機(jī)制呢?這就好比JVM的垃圾回收，雖然JVM的垃圾回收已經(jīng)巨牛了，但是依然會遇到很多和它相關(guān)的case導(dǎo)致系統(tǒng)運(yùn)行不正常。

這個內(nèi)容我記得自己剛接觸Spark Streaming的時候，老板也問過我，運(yùn)行期間會保留多少個RDD? 當(dāng)時沒回答出來。后面在群里也有人問到了，所以就整理了下。文中如有謬誤之處，還望指出。

DStream 和 RDD

我們知道Spark Streaming 計算還是基于Spark Core的，Spark Core 的核心又是RDD. 所以Spark Streaming 肯定也要和RDD扯上關(guān)系。然而Spark Streaming 并沒有直接讓用戶使用RDD而是自己抽象了一套DStream的概念。 DStream 和 RDD 是包含的關(guān)系，你可以理解為Java里的裝飾模式，也就是DStream 是對RDD的增強(qiáng)，但是行為表現(xiàn)和RDD是基本上差不多的。都具備幾個條件：

具有類似的tranformation動作，比如map,reduceByKey等，也有一些自己獨(dú)有的，比如Window，mapWithStated等

都具有Action動作，比如foreachRDD，count等

從編程模型上看是一致的。

所以很可能你寫的那堆Spark Streaming代碼看起來好像和Spark 一致的,然而并不能直接復(fù)用，因為一個是DStream的變換，一個是RDD的變化。

Spark Streaming中 DStream 介紹

DStream 下面包含幾個類：

• 數(shù)據(jù)源類，比如InputDStream,具體如DirectKafkaInputStream等
• 轉(zhuǎn)換類，典型比如MappedDStream,ShuffledDStream
• 輸出類，典型比如ForEachDStream

從上面來看，數(shù)據(jù)從開始(輸入)到結(jié)束(輸出)都是DStream體系來完成的，也就意味著用戶正常情況是無法直接去產(chǎn)生和操作RDD的，這也就是說，DStream有機(jī)會和義務(wù)去負(fù)責(zé)RDD的生命周期。

這就回答了前言中的問題了。Spark Streaming具備自動清理功能。

RDD 在Spark Stream中產(chǎn)生的流程

在Spark Streaming中RDD的生命流程大體如下：

• 在InputDStream會將接受到的數(shù)據(jù)轉(zhuǎn)化成RDD,比如DirectKafkaInputStream 產(chǎn)生的就是 KafkaRDD
• 接著通過MappedDStream等進(jìn)行數(shù)據(jù)轉(zhuǎn)換，這個時候是直接調(diào)用RDD對應(yīng)的map方法進(jìn)行轉(zhuǎn)換的
• 在進(jìn)行輸出類操作時，才暴露出RDD,可以讓用戶執(zhí)行相應(yīng)的存儲，其他計算等操作。

我們這里就以下面的代碼來進(jìn)行更詳細(xì)的解釋：

val source  =   KafkaUtils.createDirectInputStream(....) 
source.map(....).foreachRDD{rdd=> 
    rdd.saveTextFile(....) 
} 

foreachRDD 產(chǎn)生ForEachDStream，因為foreachRDD是個Action,所以會觸發(fā)任務(wù)的執(zhí)行，會被調(diào)用generateJob方法。

override def generateJob(time: Time): Option[Job] = { 
   parent.getOrCompute(time) match { 
     case Some(rdd) => 
       val jobFunc = () => createRDDWithLocalProperties(time, displayInnerRDDOps) { 
         foreachFunc(rdd, time) 
       } 
       Some(new Job(time, jobFunc)) 
     case None => None 
   } 
 } 

對應(yīng)的parent是MappedDStream,也就是說調(diào)用MappedDStream.getOrCompute.該方法在DStream中，首先會在MappedDStream對象中的generatedRDDs 變量中查找是否已經(jīng)有RDD,如果沒有則觸發(fā)計算，并且將產(chǎn)生的RDD放到generatedRDDs

@transientprivate[streaming] var generatedRDDs = new HashMap[Time, RDD[T]] () 
 
private[streaming] final def getOrCompute(time: Time): Option[RDD[T]] = { 
    // If RDD was already generated, then retrieve it from HashMap, 
    // or else compute the RDD 
    generatedRDDs.get(time).orElse { 
.... 
generatedRDDs.put(time, newRDD) 
.... 

計算RDD是調(diào)用的compute方法，MappedDStream 的compute方法很簡單，直接調(diào)用的父類也就是DirectKafkaInputStream的getOrCompute方法：

override def compute(validTime: Time): Option[RDD[U]] = { 
    parent.getOrCompute(validTime).map(_.map[U](mapFunc)) 
  } 

在上面的例子中，MappedDStream 的parent是DirectKafkaInputStream中,這是個數(shù)據(jù)源，所以他的compute方法會直接new出一個RDD.

從上面可以得出幾個結(jié)論：

• 數(shù)據(jù)源以及轉(zhuǎn)換類DStream都會維護(hù)一個generatedRDDs，可以按batchTime 進(jìn)行獲取
• 內(nèi)部本質(zhì)還是進(jìn)行的RDD的轉(zhuǎn)換
• 如果我們調(diào)用了cache會發(fā)生什么

這里又會有兩種情況，一種是調(diào)用DStream.cache,第二種是RDD.cache。事實上他們是完全一樣的。

1. DStream的cache 動作只是將DStream的變量storageLevel 設(shè)置為MEMORY_ONLY_SER，然后在產(chǎn)生(或者獲取)RDD的時候，調(diào)用RDD的persit方法進(jìn)行設(shè)置。所以DStream.cache 產(chǎn)生的效果等價于RDD.cache(也就是你自己調(diào)用foreachRDD 將RDD 都設(shè)置一遍)
2. 進(jìn)入正題，我們是怎么釋放Cache住的RDD的

其實無所謂Cache不Cache住，RDD最終都是要釋放的，否則運(yùn)行久了，光RDD對象也能承包了你的內(nèi)存。我們知道，在Spark Streaming中，周期性產(chǎn)生事件驅(qū)動Spark Streaming 的類其實是:

org.apache.spark.streaming.scheduler.JobGenerator 

他內(nèi)部有個永動機(jī)(定時器),定時發(fā)布一個產(chǎn)生任務(wù)的事件:

private val timer = new RecurringTimer(clock, ssc.graph.batchDuration.milliseconds, longTime => eventLoop.post(GenerateJobs(new Time(longTime))), "JobGenerator") 

然后通過processEvent進(jìn)行事件處理：

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

目前我們只關(guān)注ClearMetadata 事件。對應(yīng)的方法為：

private def clearMetadata(time: Time) { 
    ssc.graph.clearMetadata(time) 
 
    // If checkpointing is enabled, then checkpoint, 
    // else mark batch to be fully processed 
    if (shouldCheckpoint) { 
      eventLoop.post(DoCheckpoint(time, clearCheckpointDataLater = true)) 
    } else { 
      // If checkpointing is not enabled, then delete metadata information about 
      // received blocks (block data not saved in any case). Otherwise, wait for 
      // checkpointing of this batch to complete. 
      val maxRememberDuration = graph.getMaxInputStreamRememberDuration() 
      jobScheduler.receiverTracker.cleanupOldBlocksAndBatches(time - maxRememberDuration) 
      jobScheduler.inputInfoTracker.cleanup(time - maxRememberDuration) 
      markBatchFullyProcessed(time) 
    } 
  } 

首先是清理輸出DStream(比如ForeachDStream),接著是清理輸入類(基于Receiver模式)的數(shù)據(jù)。

ForeachDStream 其實調(diào)用的也是DStream的方法。該方法大體如下：

private[streaming] def clearMetadata(time: Time) { 
    val unpersistData = ssc.conf.getBoolean("spark.streaming.unpersist", true) 
    val oldRDDs = generatedRDDs.filter(_._1 <= (time - rememberDuration)) 
    logDebug("Clearing references to old RDDs: [" + 
      oldRDDs.map(x => s"${x._1} -> ${x._2.id}").mkString(", ") + "]") 
    generatedRDDs --= oldRDDs.keys 
    if (unpersistData) { 
      logDebug("Unpersisting old RDDs: " + oldRDDs.values.map(_.id).mkString(", ")) 
      oldRDDs.values.foreach { rdd => 
        rdd.unpersist(false) 
        // Explicitly remove blocks of BlockRDD 
        rdd match { 
          case b: BlockRDD[_] => 
            logInfo("Removing blocks of RDD " + b + " of time " + time) 
            b.removeBlocks() 
          case _ => 
        } 
      } 
    } 
    logDebug("Cleared " + oldRDDs.size + " RDDs that were older than " + 
      (time - rememberDuration) + ": " + oldRDDs.keys.mkString(", ")) 
    dependencies.foreach(_.clearMetadata(time)) 
  } 

大體執(zhí)行動作如下描述：

1. 根據(jù)記憶周期得到應(yīng)該剔除的RDD
2. 根據(jù)是否要清理cache數(shù)據(jù)，進(jìn)行unpersit 操作，并且顯示的移除block
3. 根據(jù)依賴調(diào)用其他的DStream進(jìn)行動作清理

這里我們還可以看到，通過參數(shù)spark.streaming.unpersist 你是可以決定是否手工控制是否需要對cache住的數(shù)據(jù)進(jìn)行清理。

這里你會有兩個疑問：

1. dependencies 是什么?
2. rememberDuration 是怎么來的?

dependencies 你可以簡單理解為父DStream,通過dependencies 我們可以獲得已完整DStream鏈。

rememberDuration 的設(shè)置略微復(fù)雜些,大體是 slideDuration,如果設(shè)置了checkpointDuration 則是2*checkpointDuration 或者通過DStreamGraph.rememberDuration(如果設(shè)置了的話，譬如通過StreamingContext.remember方法,不過通過該方法設(shè)置的值要大于計算得到的值會生效)

另外值得一提的就是后面的DStream 會調(diào)整前面的DStream的rememberDuration，譬如如果你用了window* 相關(guān)的操作，則在此之前的DStream 的rememberDuration 都需要加上windowDuration。

然后根據(jù)Spark Streaming的定時性，每個周期只要完成了，都會觸發(fā)清理動作,這個就是清理動作發(fā)生的時機(jī)。代碼如下：

def onBatchCompletion(time: Time) {      
    eventLoop.post(ClearMetadata(time)) 
} 

總結(jié)下

Spark Streaming 會在每個Batch任務(wù)結(jié)束時進(jìn)行一次清理動作。每個DStream 都會被掃描，不同的DStream根據(jù)情況不同，保留的RDD數(shù)量也是不一致的，但都是根據(jù)rememberDuration變量決定,而該變量會被下游的DStream所影響，所以不同的DStream的rememberDuration取值是不一樣的。