大数据面试之Spark Streaming常见题目_与spark stream有关的习题

大数据面试之Spark Streaming常见题目

1 Spark Streaming是纯流式处理框架吗？抽象是谁？

​ 不是纯流式，其实是批处理，更准确的说是微批处理。抽象类是DStream。

2 Spark Streaming背压机制

​ 其实就是一种动态消费机制，可以避免来的数据过多，造成数据积压。也可以防止来的数据较少造成资源空闲浪费。

​ 把spark.streaming.backpressure.enabled 参数设置为ture,开启背压机制后Spark Streaming会根据延迟动态去kafka消费数据,上限由spark.streaming.kafka.maxRatePerPartition参数控制，所以两个参数一般会一起使用。

3 SparkStreaming有哪几种方式消费Kafka中的数据，它们之间的区别是什么？

一、基于Receiver的方式

​ 这种方式使用Receiver来获取数据。Receiver是使用Kafka的高层次Consumer API来实现的。Receiver从Kafka中获取的数据都是存储在Spark的 Executor的内存中的，然后Spark Streaming启动的job会去处理那些数据。因为存在内存中，如果突然数据暴增，大量batch批堆积，很容易出现内存溢出的问题。

​ 然而，在默认的配置下，这种方式可能会因为底层的失败而丢失数据。如果要启用高可靠机制，让数据零丢失，就必须启用Spark Streaming的WAL预写日志机制（Write Ahead Log）。该机制会同步地将接收到的Kafka数据写入分布式文件系统（比如HDFS）上的预写日志中。这个时候即使底层节点出现了失败，也可以使用预写日志中的数据进行恢复。

二、基于Direct的方式

​ 这种方式是在Spark 1.3中引入的，从而能够确保更加健壮的机制。这种方式会周期性地查询Kafka，来获得每个topic+partition的最新的offset，从而定义每个batch的offset的范围。当处理数据的job启动时，就会使用Kafka的简单Consumer API来获取Kafka指定offset范围的数据。

具有如下的优点：

1、简化并行读取：如果要读取多个partition，不需要创建多个输入DStream然后对它们进行union操作。Spark会创建跟Kafka partition一样多的RDD partition，并且会并行从Kafka中读取数据。所以在Kafka partition和RDD partition之间，有一个一对一的映射关系。 

2、高性能：如果要保证零数据丢失，在基于receiver的方式中，需要开启WAL机制。这种方式其实效率低下，因为数据实际上被复制了两份，Kafka自己本身就有高可靠的机制，会对数据复制一份，而这里又会复制一份到WAL中。而基于direct的方式，不依赖Receiver，不需要开启WAL机制，只要Kafka中作了数据的复制，那么就可以通过Kafka的副本进行恢复。 

3、一次且仅一次的事务机制。
1
2
3
4
5

三、对比：

​ 基于Receiver的方式，是使用Kafka的高阶API来完成在ZooKeeper中保存消费过的offset的，这是消费Kafka数据的传统方式。这种方式配合着WAL机制可以保证数据零丢失的高可靠性，但是却无法保证数据被处理一次且仅一次，可能会处理两次。因为Spark和ZooKeeper之间可能是不同步的。

​ 基于Direct的方式，使用Kafka的简单API，Spark Streaming自己就负责追踪消费的offset，并保存在checkpoint当中。Spark自己是同步的，所以可以保证数据是消费一次且仅消费一次。

​ 在实际生产环境中大都用Direct方式。

声明：
        文章中代码及相关语句为自己根据相应理解编写，文章中出现的相关图片为自己实践中的截图和相关技术对应的图片，若有相关异议，请联系删除。感谢。转载请注明出处，感谢。

By luoyepiaoxue2014

B站： https://space.bilibili.com/1523287361 点击打开链接
微博： http://weibo.com/luoyepiaoxue2014 点击打开链接