本期内容 :
- Spark Streaming中的架构设计和运行机制
- Spark Streaming深度思考
Spark Streaming的本质就是在RDD基础之上加上Time ，由Time不断的运行触发周而复始的接收数据及产生Job处理数据。
一、 ReceiverTracker ：
Receiver数据接收器的启动、接收数据过程中元数据管理，元数据管理是使用内部的RPC。
根据时间的间隔把数据分配给当前的BatchDuration ：
通过Dstreams中的StreamID以及这个DStreamID给这个时间段(getReceivedQueue(SteamID))的Block为例 ：
不断的分配是依赖定时器，看数据生成的时候怎么产生数据及通过他的方式管理数据的 。
不断接收数据并保存起来，在BlockTracker启动Receiver时首先会启动StartReceiver 。
写数据时有不同的BlockHandler 。
Receiver自己的RPC ，响应不同的消息。
定时器按照具体的时间间隔 ：
二、 currentBuffer ：
把接收的数据保存在一个currentBuffer数据结构(属于临时数据结构)中，每次根据其时间间隔进行，每次都会New一下currentBuffer，默认是200MS。
三、 架构思考 ：
从Spark Streaming的角度讲静态生成Dstreams，Dstreams当遇到时间的时候才会生成RDD和DStreamGenerator。
基于DStreamGenerator就构成了这个依赖关系。调度层面讲JobScheduler，是基于时间的流处理框架。
根据BatchDuration的时钟不断循环，不断的发送消息 。
以时间为基准 不断的发送消息给event 。
生成作业 ：
Spark Streaming运行核心：
Spark RDD加上Time，无论是从概念还是数据接收、数据处理，Time是驱动力，不断的循环事件、消息，时间的确定、数据、RDD接着就转到Spark Core。
