Che cos'è Spark Streaming?
Come Spark Streaming elabora micro-batch di dati in tempo reale con DStreams e perché Structured Streaming è ora il motore preferito
Summary
- Scopri cos'è Apache Spark Streaming, come estende l'API Spark principale e perché ora è considerato un motore di streaming legacy a favore dello Structured Streaming.
- Scopri come Spark Streaming acquisisce dati da fonti come Kafka, Flume e Amazon Kinesis, li elabora in micro-batch e invia i risultati a file, database o dashboard utilizzando DStreams.
- Esplora i principali vantaggi introdotti da Spark Streaming, come l'elaborazione unificata di batch e streaming, la tolleranza agli errori e l'integrazione con MLlib e Spark SQL.
Apache Spark Streaming è la generazione precedente del motore di streaming di Apache Spark. Non sono più disponibili aggiornamenti per Spark Streaming e il progetto è stato dismesso. Esiste un motore di streaming più nuovo e facile da usare in Apache Spark chiamato Structured Streaming. Per lo streaming di applicazioni e pipeline bisognerà quindi utilizzare Spark Structured Streaming. Vedi Structured Streaming.
Che cos'è Spark Streaming?
Apache Spark Streaming è un sistema di elaborazione in streaming, scalabile e tollerante agli errori, che supporta nativamente carichi di lavoro in batch e in streaming. Spark Streaming è un'estensione dell'API Spark principale che consente a data engineer e data scientist di elaborare dati in tempo reale da diverse sorgenti, fra cui Kafka, Flume, Amazon Kinesis e altre ancora. I dati elaborati possono essere poi trasferiti a file system, database e dashboard in tempo reale. L'astrazione chiave è Discretized Stream, o DStream, che rappresenta un flusso di dati diviso in piccoli batch. I flussi DStream sono basati sulle RDD, la principale astrazione di dati di Spark. Questo consente a Spark Streaming di integrarsi direttamente con qualsiasi altro componente Spark come MLlib e Spark SQL. Spark Streaming è diverso da altri sistemi che hanno un motore di elaborazione progettato esclusivamente per lo streaming, oppure hanno API per batch e streaming simili ma compilano internamente su motori diversi. Il singolo motore di esecuzione di Spark e il modello di programmazione unificato per batch e streaming offre alcuni vantaggi esclusivi rispetto ad altri sistemi di streaming tradizionali.
Gartner®: Databricks leader dei database cloud
Quattro aspetti principali di Spark Streaming
- Recupero rapido da guasti e ritardi
- Miglior bilanciamento del carico e utilizzo delle risorse
- Combinazione di dati in streaming con set di dati statici e query interattive
- Integrazione nativa con librerie di elaborazione avanzate (SQL, machine learning, elaborazione di grafi)
L'unificazione di diverse funzionalità di elaborazione dati è il motivo principale per la rapida adozione di Spark Streaming. Per gli sviluppatori risulta infatti molto facile utilizzare un unico framework per tutte le loro esigenze di elaborazione.
