本期内容 :
- Spark Streaming资源动态分配
- Spark Streaming动态控制消费速率
为什么需要动态处理 ：
Spark 属于粗粒度资源分配，也就是在默认情况下是先分配好资源然后再进行计算，粗粒度有个好处，因为资源是提前给你分配好，当有计算任务的时候直接使用就可以了，
粗粒度不好的方面就是从Spark Streaming角度讲有高峰值、低峰值，在高与低峰值时候需要的资源是不一样的，如果资源分配按照高峰值考虑的话，在低峰值就是对资源的浪费，
随着Spark Streaming程序本身不断的运行对资源的消耗与管理也是需要考虑的因素。
一、 Spark Streaming资源动态分配 ：
动态资源分配源码 ：
在SparkConf中进行Set其配置
以定时器的频率来不断的扫描Executor，正在运行的Scheduler是要运行在不同的Executor中，需要动态的增加Executor或者减少Executor ，例如判断一个60秒为时间间隔
的Executor一个任务都没有运行，就会把Executor删除掉。怎么会减少Executor，是因为当前应用程序中运行的Executor在Driver中会有数据结构对其保持引用，每次任务调度
的时候都会循环遍历Executor的列表，然后查询列表的可用资源，根据这个类中的时钟会不断循环查看是否满足添加或者删除Executor的条件，如果满足添加或者删除的条件就
触发Executor进行添加与删除。
从Spark Streaming的角度考虑，Spark Streaming要处理的动态资源调整就是Executor的资源动态调整，其最大的挑战是什么？
Spark Streaming是按照BachDuration的方式运行的，可能这个BachDuration需要很多资源，下一个又不用那么多资源，当前BachDuration的资源还没有等调整完成其运行已经过期了。
二、动态控制消费速率：
Spark Streaming弹性机制，可以查看流进来的数据是如何处理的，处理的速度之间的关系是否能够来得及进行处理，如果来不及进行处理的话，会动态的进行控制数据流进来的速度。
Spark Streaming本身有个rate的控制，这个控制一般可以使用手动的方式进行控制调整他的速度，手动控制是需要对Spark Streaming的处理速度有一种感知，根据BachDuration
流进来的数据进行控制其速度，可以调整BachDuration流入更多的数据或者更少的数据。
