批次累加
UpdataStateBykey updataStateBykey是特殊的reduceByKey， 相当于oldValue+reduceByKey(newValue1,newValue2)，通过传入一个updateFunc来实现批次间数据累加的操作。
解决数据积压（重点）
批处理时间<<批间隔时间：流量太小，集群闲置，浪费资源，批处理时间>>批间隔时间：流量太大，集群繁忙，数据积压导致系统崩溃#####通过设置spark.streaming.kafka.maxRatePerPartition可以静态调整每次拉取的最大流量，但是需要重启集群。
SparkStreaming整合Kafka（重点）
receiver方式 sparkStream启动一个单独的线程receiver定时使用kafka高阶API向kafka拉取数据，并自动地更新zk的offsets。优点：用户专注于业务，不需要关心偏移量的维护，代码简洁。
DStream
DStream是Spark Streaming的基础抽象，代表持续的数据流，它由一系列连续的RDD组成，一个批次间隔接收的数据只会存放在一个block中，因此每个批次间隔都只会产生一个RDD。
SparkSQL的时间类型？
SparkSQL的时间类型？SparkSQL的所有类型都在org.apache.spark.sql.types._的包下面，这个里面我们可以引入对应的schema类型，包括事件的Date类型
