Spark 任务与 Spark Streaming 任务的差异详解

Spark 任务与 Spark Streaming 任务的主要差异源自于两者的应用场景不同：Spark 主要处理静态的大数据集，而 Spark Streaming 处理的是实时流数据。这些差异体现在任务的调度、执行、容错、数据处理模式等方面。

接下来，我们将从底层原理和源代码的角度详细解析 Spark 任务和 Spark Streaming 任务的差别。

1. 任务调度模型差异

1.1 Spark 任务的调度模型

Spark 的任务调度基于 DAGScheduler 和 TaskScheduler 进行：

DAG 构建 ：在 Spark 中，每个作业会被构建成一个有向无环图（DAG）。DAG 的顶点代表不同的 RDD 转换操作，而边则表示 RDD 之间的依赖关系。Spark 的 DAGScheduler 根据 DAG 划分阶段（Stage），每个阶段会生成多个任务。
Task 的生成和分发 ：Spark 中，任务是由 RDD 的各个分区（Partition）构成的。每个分区都会对应生成一个 Task，Task 通过 TaskScheduler 被分发给不同的 Executor 节点执行。

Spark 任务调度流程

Scala 复制代码

def submitJob[T, U: ClassTag](
    rdd: RDD[T],
    func: (TaskContext, Iterator[T]) => U,
    partitions: Seq[Int],
    resultHandler: (Int, U) => Unit
): JobWaiter[U] = {
  
  val jobId = nextJobId.getAndIncrement()
  val dagScheduler = new DAGScheduler()
  
  dagScheduler.submitJob(rdd, func, partitions, resultHandler)
}

在 Spark 任务中，submitJob() 方法负责将 RDD 转换成一组任务，并通过 DAGScheduler 提交这些任务。每个阶段包含多个任务，任务根据 RDD 的分区数来确定。

Stage 划分 ：DAGScheduler 依据宽依赖（宽依赖会导致数据 shuffle）对 DAG 进行分解，将作业分成多个 Stage。每个 Stage 内的 Task 彼此独立并行。
Task 分发 ：TaskScheduler 负责将 Task 分发到不同的 Executor 上执行，具体的分发逻辑根据集群资源情况和数据本地性进行优化。

任务执行（Executor）

在 Executor 上，Task 被实际执行。每个 Task 在一个 TaskContext 中运行，并将结果返回到 Driver：

Scala 复制代码

class Executor {
  def launchTask(task: Task[_]): Unit = {
    val taskResult = task.run()
    sendResultToDriver(taskResult)
  }
}

1.2 Spark Streaming 任务的调度模型

与 Spark 不同，Spark Streaming 处理的是 实时数据流 ，其调度模式基于微批处理（micro-batch processing）。

微批处理：Spark Streaming 会将实时流数据分成小时间段的微批次（通常是数秒钟），并将每个时间段的数据视为一个静态的 RDD 来进行处理。

微批次调度流程

Scala 复制代码

def start(): Unit = synchronized {
  jobScheduler.start()
  receiverTracker.start()
}

Spark Streaming 中的 start() 方法启动了两个核心调度组件：

JobScheduler ：负责为每个微批次生成一组作业，并提交给 DAGScheduler。
ReceiverTracker：管理数据接收器，负责从外部数据源（如 Kafka）接收流数据。

JobScheduler 的任务调度逻辑

每个微批次对应一个 JobSet，JobScheduler 会为每个时间间隔生成并提交一个 JobSet，该 JobSet 包含多个 Job，每个 Job 又对应一个 RDD 转换。

Scala 复制代码

class JobScheduler {
  def generateJob(time: Time): Option[JobSet] = {
    val jobs = createJobsForTime(time)
    if (jobs.nonEmpty) {
      Some(new JobSet(time, jobs))
    } else {
      None
    }
  }

  def submitJobSet(jobSet: JobSet): Unit = {
    dagScheduler.submitJobSet(jobSet)
  }
}

JobSet ：JobSet 表示在一个微批次时间点内，所有需要执行的作业集合。每个 JobSet 都会被提交到 DAGScheduler，并最终生成 Spark 任务进行执行。
周期性调度 ：JobScheduler 会周期性地（根据流的批次间隔）调用 generateJob 方法来创建新一轮的任务，确保数据的实时处理。

Streaming 任务执行

与 Spark 任务一样，Spark Streaming 的任务也是由 TaskScheduler 提交到 Executor 上运行的。由于 Spark Streaming 基于微批处理的模型，本质上每个微批次处理的任务还是 Spark 的普通任务。

2. 数据处理模式差异

2.1 Spark 的数据处理模式

Spark 是基于 RDD（弹性分布式数据集）来进行数据处理的。RDD 是不可变的数据抽象，它支持两种操作：

Transformations ：如 map、filter 等操作，会生成新的 RDD。
Actions ：如 collect、count，会触发计算并返回结果。

Spark 的数据处理模式是批处理模式，即：

一次读取整个数据集。
对数据集进行转换和计算。
最终一次性输出结果。

2.2 Spark Streaming 的数据处理模式

Spark Streaming 则是基于 离散化流（DStream） 进行数据处理。DStream 是一系列 RDD 的抽象，代表一段时间内的数据。

微批处理：在 Spark Streaming 中，数据不是一次性处理，而是将实时数据流划分成多个小的时间段（如 1 秒），每个时间段的数据形成一个 RDD。每个批次处理的数据都是有限的一个子集。

Scala 复制代码

class DStream {
  def compute(time: Time): Option[RDD[T]] = {
    // 生成时间点上的 RDD
  }
}

持续性计算：DStream 会周期性地生成 RDD 并执行计算，这与 Spark 中一次性计算数据集有显著不同。

3. 任务的生命周期

3.1 Spark 任务的生命周期

在 Spark 中，任务的生命周期是 一次性的 ，针对静态数据集。作业被提交后，DAGScheduler 会将其划分成多个 Stage，每个 Stage 会生成一组 Task。这些 Task 被执行后，数据计算完成，作业结束。

任务的执行流程

Driver 启动作业，生成 DAG 并划分 Stage。
Task 被分配到 Executor 上执行。
Task 执行完后，将结果返回到 Driver。
作业完成，任务生命周期结束。

3.2 Spark Streaming 任务的生命周期

在 Spark Streaming 中，任务的生命周期是 持续的，因为流数据是连续不断地到达的。Spark Streaming 的任务调度是基于时间间隔的，每隔一个时间窗口都会生成一批新的任务。

周期性任务生成：每个时间窗口会触发一次任务调度，生成一组新任务。
任务生命周期与数据流同步：只要流数据源持续有数据，任务就会持续被生成和执行。

任务的执行流程

Driver 启动流计算应用，周期性生成微批次的任务。
每个微批次会生成一组作业，这些作业与 Spark 的批处理作业相似。
Task 被分配到 Executor 上执行，处理当前批次的数据。
下一个时间窗口到达后，新的任务被生成。

4. 容错机制差异

4.1 Spark 的容错机制

Spark 的容错机制依赖于 RDD 的血缘关系（Lineage） 。RDD 是不可变的，因此每个 RDD 都知道自己是如何通过转换操作（如 map、filter 等）从父 RDD 派生出来的。这一信息被称为 血缘信息，它在数据丢失或任务失败时，能够重新计算丢失的数据。

4.1.1 血缘信息的作用

在 Spark 中，如果某个任务处理的分区（Partition）丢失，系统可以根据 RDD 的血缘信息，通过重新计算来恢复丢失的数据。RDD 的血缘信息是 Task 级别的容错基础。

Scala 复制代码

abstract class RDD[T] {
  // 血缘关系
  def dependencies: Seq[Dependency[_]]
  
  // 重新计算丢失的分区
  def compute(partition: Partition, context: TaskContext): Iterator[T]
}

通过 dependencies 属性，RDD 可以记录其父 RDD 和依赖关系。如果某个分区数据丢失，系统可以根据这些依赖关系，重新计算该分区。

4.1.2 DAG 调度与任务重试

Spark 的调度器（DAGScheduler）在执行作业时，会将其分解为多个阶段（Stage）。每个阶段包含一组 Task，这些 Task 是基于 RDD 的分区生成的。

当某个 Task 执行失败时，DAGScheduler 会将该 Task 标记为失败，并根据血缘信息重新调度该任务。
默认情况下，Spark 会尝试 重新执行失败的任务。如果任务经过多次重试后仍然失败，Spark 会终止作业。

Scala 复制代码

class DAGScheduler {
  def handleTaskFailure(task: Task[_], reason: TaskFailedReason): Unit = {
    val stage = task.stageAttemptId
    if (stage != null && stage.failures < maxTaskFailures) {
      // 重试任务
      submitTask(stage, task.index)
    } else {
      // 任务失败次数过多，终止阶段
      failStage(stage, reason)
    }
  }
}

在 DAGScheduler 中，失败的 Task 会被标记并重新调度。通过这种机制，Spark 保证了分区数据的可靠性，即使任务失败，也能够通过重试机制进行恢复。

4.1.3 宽依赖与窄依赖的容错性差异

窄依赖 ：每个子 RDD 的分区只依赖父 RDD 的一个或少量分区。比如 map、filter 等操作。这类依赖容错性较好，因为只需要重新计算少量分区即可恢复数据。
宽依赖 ：每个子 RDD 的分区可能依赖多个父 RDD 的分区，比如 reduceByKey、groupByKey 等。这种依赖通常需要进行数据的 shuffle 操作。在处理宽依赖时，数据恢复需要重新执行整个依赖链，这可能会涉及到大量数据重新计算，效率较低。

Scala 复制代码

abstract class RDD[T] {
  // 宽依赖或窄依赖
  def dependencies: Seq[Dependency[_]]
}

4.2 Spark Streaming 的容错机制

相比 Spark，Spark Streaming 处理的是实时数据流，因此它的容错机制不仅要考虑任务失败，还要处理流数据的可靠接收、状态恢复等问题。

4.2.1 Write Ahead Logs (WAL)

为了保证数据不丢失，Spark Streaming 引入了 WAL（Write Ahead Log） 机制。WAL 通过将流数据持久化到日志中，确保即使节点或任务失败，数据也可以被恢复。

当 Spark Streaming 接收到流数据时，首先将数据写入 WAL 中进行持久化，然后才会进行计算。这确保了在任务失败或节点宕机后，系统可以从 WAL 中重新读取数据。

Scala 复制代码

class WriteAheadLogBasedBlockHandler {
  def storeBlock(streamId: Int, receivedBlock: ReceivedBlock): ReceivedBlockStoreResult = {
    // 将接收到的块写入 WAL
    logManager.write(new WriteAheadLogRecord(serializedBlock))
    // 然后存储到内存或磁盘
    blockManager.putBlockData(blockId, serializedBlock, StorageLevel.MEMORY_AND_DISK_SER)
  }
}

WAL 机制确保了即使在任务执行失败后，流数据仍然能够通过日志重放来恢复。

4.2.2 Checkpointing（检查点）

Spark Streaming 的容错机制还包括 Checkpointing，它用于保存应用程序的元数据和状态信息。Checkpointing 可以分为两类：

元数据检查点：保存 StreamingContext、DStream 的结构信息，确保任务在重启后可以恢复之前的处理流程。
状态检查点 ：当使用有状态操作（如 updateStateByKey）时，状态会被持久化到检查点中。

Scala 复制代码

class StreamingContext {
  def checkpoint(directory: String): Unit = {
    this.checkpointDir = directory
    checkpointWriter = new CheckpointWriter(checkpointDir, sc.env.blockManager)
  }
}

在任务失败时，系统可以从检查点恢复状态和元数据，从而确保流处理继续进行。

4.2.3 任务失败重试

与 Spark 类似，Spark Streaming 也依赖于 DAGScheduler 和 TaskScheduler 进行任务重试。不过，由于 Spark Streaming 是基于微批处理的，每个批次处理的任务失败后，系统会重试整个批次的任务。

Scala 复制代码

def handleBatchFailure(batchTime: Time, jobSet: JobSet): Unit = {
  logWarning(s"Batch $batchTime failed. Retrying ...")
  jobScheduler.submitJobSet(jobSet)
}

每个微批次的数据会生成一个 JobSet，如果任务失败，系统会重新提交整个 JobSet。

4.2.4 Kafka 及其他流数据源的容错

对于像 Kafka 这样的流数据源，Spark Streaming 依赖于数据源的偏移量管理来实现容错。例如，Kafka 的偏移量（offset）用于追踪已经处理的数据位置。如果任务失败，Spark Streaming 会通过重新读取 Kafka 的偏移量来确保数据不会丢失。

Scala 复制代码

class DirectKafkaInputDStream {
  def createDirectStream[K, V](ssc: StreamingContext, kafkaParams: Map[String, Object], topics: Set[String]): InputDStream[ConsumerRecord[K, V]] = {
    new DirectKafkaInputDStream(ssc, kafkaParams, topics)
  }
}

在 DirectKafkaInputDStream 中，Spark Streaming 通过 Kafka 的偏移量追踪，确保每个微批次的数据都能可靠地重新读取和处理。

5. 数据处理模式的区别

5.1 Spark 的数据处理模式

Spark 处理的是 静态数据集，基于 RDD 的不可变性和分区（Partition）来并行处理数据。每个作业会被一次性提交，并将所有数据进行一次完整的计算。Spark 中常见的数据操作包括：

Transformations ：如 map、flatMap、filter 等操作用于转换 RDD。
Actions ：如 collect、reduce、count 等操作触发执行并返回结果。

Spark 的处理模式是批处理模式，它适用于静态的、离线的大数据集。

5.2 Spark Streaming 的数据处理模式

Spark Streaming 处理的是 实时数据流，其数据处理模式基于微批次。实时数据流被分割成小的时间片段，每个时间片段的数据被视为一个静态的 RDD 进行处理。

DStream：DStream 是一系列 RDD 的抽象，代表了实时数据流在多个时间段内的处理结果。每个时间段的数据会形成一个新的 RDD 并进行计算。

Scala 复制代码

class DStream {
  def compute(time: Time): Option[RDD[T]] = {
    // 生成对应时间段的 RDD
  }
}

微批处理：每隔一个时间窗口，Spark Streaming 会生成一个新的 RDD，并对其进行处理。这种微批处理模式保证了实时数据的近实时处理。

6. 任务的生命周期差异

6.1 Spark 任务的生命周期

Spark 任务的生命周期是 一次性的，每个作业在提交后会经历以下几个步骤：

Driver 解析作业并生成 DAG。
DAG 被划分为多个 Stage。
每个 Stage 包含多个 Task，任务被分发到 Executor 执行。
任务执行完成后，数据被返回到 Driver，作业结束。

在批处理场景下，任务生命周期较短，处理完数据后任务即结束。

6.2 Spark Streaming 任务的生命周期

Spark Streaming 任务的生命周期是 持续的 。Spark Streaming 是一个 长时间运行的任务，只要流数据源不断输入数据，任务就会持续生成新的微批次任务并进行计算。

StreamingContext 启动后，JobScheduler 定期生成微批次任务。
每个微批次会生成新的 JobSet 并提交给 DAGScheduler 执行。
任务处理完成后，新的数据批次到达，继续生成新的任务。
任务不断运行，直到用户手动停止。

总结

任务调度：Spark 任务基于静态数据集，采用一次性批处理模式；Spark Streaming 任务基于流数据，采用微批处理模式，每隔一个时间窗口生成新的任务。
数据处理：Spark 处理静态的 RDD，数据只计算一次；Spark Streaming 处理离散化的流数据，每个时间窗口生成一个新的 RDD 并计算。
容错机制：Spark 任务依赖 RDD 血缘关系进行数据恢复；Spark Streaming 除了依赖血缘关系外，还引入了 WAL 和 Checkpointing 来保证流数据的容错性。
生命周期：Spark 任务是一次性执行的，而 Spark Streaming 是长时间运行的任务，会持续生成新的微批次进行处理。