本系列内容适用范围：    * 2015.12.05 update, Spark 1.6 全系列 √ (1.6.0-preview，尚未正式发布)  * 2015.11.09 update, Spark 1.5 全系列 √ (1.5.0, 1.5.1, 1.5.2)  * 2015.07.15 update, Spark 1.4 全系列 √ (1.4.0, 1.4.1)  * 2015.04.17 update, Spark 1.3 全系列 √ (1.3.0, 1.3.1)

• 概述
  • 0.1 Spark Streaming 实现思路与模块概述
  </li>
• 模块 1：DAG 静态定义
  • 1.1 DStream, DStreamGraph 详解
  • 1.2 DStream 生成 RDD 实例详解
  </ul> </li>
  • 模块 2：Job 动态生成
    • 2.1 JobScheduler, Job, JobSet 详解
    • 2.2 JobGenerator 详解
    </ul> </li>
    • 模块 3：数据产生与导入
      • 3.1 Receiver 分发详解
      • 3.2 Receiver, ReceiverSupervisor, BlockGenerator, ReceivedBlockHandler 详解
      • 3.3 ReceiverTraker, ReceivedBlockTracker 详解
      </ul> </li>
      • 模块 4：长时容错
        • 预计 12.134.1 Executor 端长时容错详解
        • 预计 12.134.2 Driver 端长时容错详解
        </ul> </li>
        • StreamingContext
          • 预计 12.205.1 StreamingContext 详解
          </ul> </li> </ul>

          Spark Streaming 史前史(1)

          作为跑在商业硬件上的大数据处理框架，Apache Hadoop 在诞生后的几年内（2005~今）火的一塌糊涂，几乎成为了业界处理大数据的事实上的标准工具：

          

          Spark Streaming 史前史(2)

          不过大家逐渐发现还需要有单独针对流式数据（其特点是源数据实时性高，要求处理延迟低）的处理需求；于是自 2010 年起又流行起了很多通用流数据处理框架，这种与 Hadoop 等批处理框架配合使用的“批+实时”的双引擎架构又成为了当前事实上的标准：

          

          Spark Streaming 诞生

          

          

          本系列文章，就来详解发布于 2013 年的 Spark Streaming。

          https://github.com/proflin/CoolplaySpark