您好,登錄后才能下訂單哦!
本篇文章為大家展示了SparkStreaming算子開發(fā)實例分析,內(nèi)容簡明扼要并且容易理解,絕對能使你眼前一亮,通過這篇文章的詳細(xì)介紹希望你能有所收獲。
Spark Streaming算子開發(fā)實例
transform算子開發(fā)
transform操作應(yīng)用在DStream上時,可以用于執(zhí)行任意的RDD到RDD的轉(zhuǎn)換操作,還可以用于實現(xiàn)DStream API中所沒有提供的操作,比如說,DStreamAPI中并沒有提供將一個DStream中的每個batch,與一個特定的RDD進(jìn)行join的操作,DStream中的join算子只能join其他DStream,但是我們自己就可以使用transform操作來實現(xiàn)該功能。
實例:黑名單用戶實時過濾
package StreamingDemoimport org.apache.log4j.{Level, Logger}import org.apache.spark.SparkConfimport org.apache.spark.streaming.{Seconds, StreamingContext}
/** * 實時黑名單過濾 */object TransformDemo { def main(args: Array[String]): Unit = {
//設(shè)置日志級別 Logger.getLogger("org")
.setLevel(Level.WARN) val conf = new SparkConf()
.setAppName(this.getClass.getSimpleName)
.setMaster("local[2]") val ssc = new StreamingContext(conf, Seconds(2))
//創(chuàng)建一個黑名單的RDD val blackRDD = ssc.sparkContext.parallelize(Array(("zs", true), ("lisi", true)))
//通過socket從nc中獲取數(shù)據(jù) val linesDStream = ssc.socketTextStream("Hadoop01", 6666)
/** * 過濾黑名單用戶發(fā)言 * zs sb sb sb sb * lisi fuck fuck fuck * jack hello */ linesDStream .map(x => { val info = x.split(" ") (info(0), info.toList.tail.mkString(" ")) }) .transform(rdd => {
//transform是一個RDD->RDD的操作,所以返回值必須是RDD
/** * 經(jīng)過leftouterjoin操作之后,產(chǎn)生的結(jié)果如下: * (zs,(sb sb sb sb),Some(true))) * (lisi,(fuck fuck fuck),some(true))) * (jack,(hello,None)) */ val joinRDD = rdd.leftOuterJoin(blackRDD)
//如果是Some(true)的,說明就是黑名單用戶,如果是None的,說明不在黑名單內(nèi),把非黑名單的用戶保留下來 val filterRDD = joinRDD.filter(x => x._2._2.isEmpty) filterRDD })
.map(x=>(x._1,x._2._1)).print() ssc.start() ssc.awaitTermination() }}
測試
啟動nc,傳入用戶及其發(fā)言信息
可以看到程序?qū)崟r的過濾掉了在黑名單里的用戶發(fā)言
updateStateByKey算子開發(fā)
updateStateByKey算子可以保持任意狀態(tài),同時不斷有新的信息進(jìn)行更新,這個算子可以為每個key維護(hù)一份state,并持續(xù)不斷的更新state。對于每個batch來說,Spark都會為每個之前已經(jīng)存在的key去應(yīng)用一次State更新函數(shù),無論這個key在batch中是否有新的值,如果State更新函數(shù)返回的值是none,那么這個key對應(yīng)的state就會被刪除;對于新出現(xiàn)的key也會執(zhí)行state更新函數(shù)。
要使用該算子,必須進(jìn)行兩個步驟
定義state——state可以是任意的數(shù)據(jù)類型 定義state更新函數(shù)——用一個函數(shù)指定如何使用之前的狀態(tài),以及從輸入流中獲取新值更新狀態(tài)
注意:updateStateByKey操作,要求必須開啟Checkpoint機制
實例:基于緩存的實時WordCount
package StreamingDemoimport org.apache.log4j.{
Level, Logger}import org.apache.spark.SparkConfimport org.apache.spark.streaming.{Seconds, StreamingContext}
/** * 基于緩存的實時WordCount,在全局范圍內(nèi)統(tǒng)計單詞出現(xiàn)次數(shù) */object UpdateStateByKeyDemo { def main(args: Array[String]): Unit = {
//設(shè)置日志級別 Logger.getLogger("org").setLevel(Level.WARN)
/** * 如果沒有啟用安全認(rèn)證或者從Kerberos獲取的用戶為null,那么獲取HADOOP_USER_NAME環(huán)境變量, * 并將它的值作為Hadoop執(zhí)行用戶設(shè)置hadoop username * 這里實驗了一下在沒有啟用安全認(rèn)證的情況下,就算不顯式添加,也會自動獲取我的用戶名 */ //System.setProperty("HADOOP_USER_NAME","Setsuna") val conf = new SparkConf() .setAppName(this.getClass.getSimpleName) .setMaster("local[2]") val ssc = new StreamingContext(conf, Seconds(2))
//設(shè)置Checkpoint存放的路徑 ssc.checkpoint("hdfs://Hadoop01:9000/checkpoint")
//創(chuàng)建輸入DStream val lineDStream = ssc.socketTextStream("Hadoop01", 6666) val wordDStream = lineDStream.flatMap(_.split(" ")) val pairsDStream = wordDStream.map((_, 1))
/** * state:代表之前的狀態(tài)值 * values:代表當(dāng)前batch中key對應(yīng)的values值 */ val resultDStream = pairsDStream.updateStateByKey((values: Seq[Int], state: Option[Int]) => {
//當(dāng)state為none,表示沒有對這個單詞做統(tǒng)計,則返回0值給計數(shù)器count var count = state.getOrElse(0)
//遍歷values,累加新出現(xiàn)的單詞的value值 for (value <- values) { count += value }
//返回key對應(yīng)的新state,即單詞的出現(xiàn)次數(shù) Option(count) })
//在控制臺輸出 resultDStream.print() ssc.start() ssc.awaitTermination() }}
測試
開啟nc,輸入單詞
控制臺實時輸出的結(jié)果
window滑動窗口算子開發(fā)
Spark Streaming提供了滑動窗口操作的支持,可以對一個滑動窗口內(nèi)的數(shù)據(jù)執(zhí)行計算操作在滑動窗口中,包含批處理間隔、窗口間隔、滑動間隔
對于窗口操作而言,在其窗口內(nèi)部會有N個批處理數(shù)據(jù) 批處理數(shù)據(jù)的大小由窗口間隔決定,而窗口間隔指的就是窗口的持續(xù)時間,也就是窗口的長度 滑動時間間隔指的是經(jīng)過多長時間窗口滑動一次,形成新的窗口,滑動間隔默認(rèn)情況下和批處理時間間隔的相同
注意:滑動時間間隔和窗口時間間隔的大小一定得設(shè)置為批處理間隔的整數(shù)倍
用一個官方的圖來作為說明
批處理間隔是1個時間單位,窗口間隔是3個時間單位,滑動間隔是2個時間單位。對于初始的窗口time1-time3,只有窗口間隔滿足了才觸發(fā)數(shù)據(jù)的處理。所以滑動窗口操作都必須指定兩個參數(shù),窗口長度和滑動時間間隔。在Spark Streaming中對滑動窗口的支持是比Storm更加完善的。
Window滑動算子操作
算子 描述 window() 對每個滑動窗口的數(shù)據(jù)執(zhí)行自定義的計算 countByWindow() 對每個滑動窗口的數(shù)據(jù)執(zhí)行count操作 reduceByWindow() 對每個滑動窗口的數(shù)據(jù)執(zhí)行reduce操作 reduceByKeyAndWindow() 對每個滑動窗口的數(shù)據(jù)執(zhí)行reduceByKey操作 countByValueAndWindow() 對每個滑動窗口的數(shù)據(jù)執(zhí)行countByValue操作
reduceByKeyAndWindow算子開發(fā)
實例:在線熱點搜索詞實時滑動統(tǒng)計
每隔2秒鐘,統(tǒng)計最近5秒鐘的搜索詞中排名最靠前的3個搜索詞以及出現(xiàn)次數(shù)
package StreamingDemoimport org.apache.log4j.{Level, Logger}import org.apache.spark.SparkConfimport org.apache.spark.streaming.{Seconds, StreamingContext}
/** * 需求:每隔2秒鐘,統(tǒng)計最近5秒鐘的搜索詞中排名最靠前的3個搜索詞以及出現(xiàn)次數(shù) */object ReduceByKeyAndWindowDemo { def main(args: Array[String]): Unit = {
//設(shè)置日志級別 Logger.getLogger("org").setLevel(Level.WARN)
//基礎(chǔ)配置 val conf = new SparkConf() .setAppName(this.getClass.getSimpleName) .setMaster("local[2]")
//批處理間隔設(shè)置為1s val ssc = new StreamingContext(conf, Seconds(1)) val linesDStream = ssc.socketTextStream("Hadoop01", 6666) linesDStream .flatMap(_.split(" "))
//根據(jù)空格來做分詞 .map((_, 1))
//返回(word,1) .reduceByKeyAndWindow( //定義窗口如何計算的函數(shù)
//x代表的是聚合后的結(jié)果,y代表的是這個Key對應(yīng)的下一個需要聚合的值 (x: Int, y: Int) => x + y,
//窗口長度為5秒 Seconds(5),
//窗口時間間隔為2秒 Seconds(2) ) .transform(rdd => {
//transform算子對rdd做處理,轉(zhuǎn)換為另一個rdd
//根據(jù)Key的出現(xiàn)次數(shù)來進(jìn)行排序,然后降序排列,獲取最靠前的3個搜索詞 val info: Array[(String, Int)] = rdd.sortBy(_._2, false).take(3)
//將Array轉(zhuǎn)換為resultRDD val resultRDD = ssc.sparkContext.parallelize(info) resultRDD }) .map(x => s"${x._1}出現(xiàn)的次數(shù)是:${x._2}") .print() ssc.start() ssc.awaitTermination() }}
測試結(jié)果
DStream Output操作概覽
Spark Streaming允許DStream的數(shù)據(jù)輸出到外部系統(tǒng),DSteram中的所有計算,都是由output操作觸發(fā)的,foreachRDD輸出操作,也必須在里面對RDD執(zhí)行action操作,才能觸發(fā)對每一個batch的計算邏輯。
轉(zhuǎn)換描述
print()在Driver中打印出DStream中數(shù)據(jù)的前10個元素。主要用于測試,或者是不需要執(zhí)行什么output操作時,用于簡單觸發(fā)一下job。
saveAsTextFiles(prefix, [suffix]將DStream中的內(nèi)容以文本的形式保存為文本文件,其中每次批處理間隔內(nèi)產(chǎn)生的文件以prefix-TIME_IN_MS[.suffix]的方式命名。
saveAsObjectFiles(prefix, [suffix])將DStream中的內(nèi)容按對象序列化并且以SequenceFile的格式保存。其中每次批處理間隔內(nèi)產(chǎn)生的文件以prefix-TIME_IN_MS[.suffix]的方式命名。
saveAsHadoopFiles(prefix, [suffix])將DStream中的內(nèi)容以文本的形式保存為Hadoop文件,其中每次批處理間隔內(nèi)產(chǎn)生的文件以prefix-TIME_IN_MS[.suffix]的方式命名。
foreachRDD(func)最基本的輸出操作,將func函數(shù)應(yīng)用于DStream中的RDD上,這個操作會輸出數(shù)據(jù)到外部系統(tǒng),比如保存RDD到文件或者網(wǎng)絡(luò)數(shù)據(jù)庫等。需要注意的是func函數(shù)是在運行該streaming 應(yīng)用的Driver進(jìn)程里執(zhí)行的。
foreachRDD算子開發(fā)
foreachRDD是最常用的output操作,可以遍歷DStream中的每個產(chǎn)生的RDD并進(jìn)行處理,然后將每個RDD中的數(shù)據(jù)寫入外部存儲,如文件、數(shù)據(jù)庫、緩存等,通常在其中針對RDD執(zhí)行action操作,比如foreach
使用foreachRDD操作數(shù)據(jù)庫
通常在foreachRDD中都會創(chuàng)建一個Connection,比如JDBC Connection,然后通過Connection將數(shù)據(jù)寫入外部存儲
誤區(qū)一:在RDD的foreach操作外部創(chuàng)建Connection
dstream.foreachRDD { rdd => val connection=createNewConnection() rdd.foreach { record => connection.send(record) }}
這種方式是錯誤的,這樣的方式會導(dǎo)致Connection對象被序列化后被傳輸?shù)矫恳粋€task上,但是Connection對象是不支持序列化的,所以也就無法被傳輸
誤區(qū)二:在RDD的foreach操作內(nèi)部創(chuàng)建Connection
dstream.foreachRDD { rdd => rdd.foreach { record => val connection = createNewConnection() connection.send(record) connection.close() }}
這種方式雖然是可以的,但是執(zhí)行效率會很低,因為它會導(dǎo)致對RDD中的每一條數(shù)據(jù)都創(chuàng)建一個Connection對象,通常Connection對象的創(chuàng)建都是很消耗性能的
合理的方式
第一種:使用RDD的foreachPartition操作,并且在該操作內(nèi)部創(chuàng)建Connection對象,這樣就相當(dāng)于為RDD的每個partition創(chuàng)建一個Connection對象,節(jié)省了很多資源 第二種:自己手動封裝一個靜態(tài)連接池,使用RDD的foreachPartition操作,并且在該操作內(nèi)部從靜態(tài)連接池中,通過靜態(tài)方法獲取到一個連接,連接使用完之后再放回連接池中。這樣的話,可以在多個RDD的partition之間復(fù)用連接了
實例:實時全局統(tǒng)計WordCount,并將結(jié)果保存到MySQL數(shù)據(jù)庫中
MySQL數(shù)據(jù)庫建表語句如下
CREATE TABLE wordcount ( word varchar(100) CHARACTER SET utf8 NOT NULL, count int(10) NOT NULL, PRIMARY KEY (word)) ENGINE=InnoDB DEFAULT CHARSET=latin1;
在IDEA中添加mysql-connector-java-5.1.40-bin.jar
代碼如下
連接池的代碼,其實一開始有想過用靜態(tài)塊來寫個池子直接獲取,但是如果考慮到池子寬度不夠用的問題,這樣的方式其實更好,一開始,實例化一個連接池出來,被調(diào)用獲取連接,當(dāng)連接全部都被獲取了的時候,池子空了,就再實例化一個池子出來
package StreamingDemoimport java.sql.{Connection, DriverManager, SQLException}import java.utilobject JDBCManager { var connectionQue: java.util.LinkedList[Connection] = null
/** * 從數(shù)據(jù)庫連接池中獲取連接對象 * @return */ def getConnection(): Connection = { synchronized({ try {
//如果連接池是空的,那么就實例化一個Connection類型的鏈表
if (connectionQue == null) {
connectionQue = new util.LinkedList[Connection]()
for (i <- 0 until (10)) {
//生成10個連接,并配置相關(guān)信息 val connection = DriverManager.getConnection( "jdbc:mysql://Hadoop01:3306/test?characterEncoding=utf-8", "root", "root")
//將連接push進(jìn)連接池 connectionQue.push(connection) } } } catch {
//捕獲異常并輸出 case e: SQLException => e.printStackTrace() }
//如果連接池不為空,則返回表頭元素,并將它在鏈表里刪除 return connectionQue.poll() }) }
/** * 當(dāng)連接對象用完后,需要調(diào)用這個方法歸還連接 * @param connection */ def returnConnection(connection: Connection) = {
//插入元素 connectionQue.push(connection) } def main(args: Array[String]): Unit = {
//main方法測試 getConnection() println(connectionQue.size()) }}
wordcount代碼
package StreamingDemoimport org.apache.log4j.{Level, Logger}import org.apache.spark.{SparkConf, streaming}import org.apache.spark.streaming.{Seconds, StreamingContext}object ForeachRDDDemo { def main(args: Array[String]): Unit = {
//設(shè)置日志級別,避免INFO信息過多 Logger.getLogger("org").setLevel(Level.WARN)
//設(shè)置Hadoop的用戶,不加也可以 System.setProperty("HADOOP_USER_NAME", "Setsuna")
//Spark基本配置 val conf = new SparkConf() .setAppName(this.getClass.getSimpleName) .setMaster("local[2]") val ssc = new StreamingContext(conf, streaming.Seconds(2))
//因為要使用updateStateByKey,所以需要使用checkpoint ssc.checkpoint("hdfs://Hadoop01:9000/checkpoint")
//設(shè)置socket,跟nc配置的一樣 val linesDStream = ssc.socketTextStream("Hadoop01", 6666) val wordCountDStream = linesDStream .flatMap(_.split(" "))
//根據(jù)空格做分詞 .map((_, 1))
//生成(word,1) .updateStateByKey((values: Seq[Int], state: Option[Int]) => {
//實時更新狀態(tài)信息 var count = state.getOrElse(0) for (value <- values) { count += value } Option(count) }) wordCountDStream.foreachRDD(rdd => {
if (!rdd.isEmpty()) { rdd.foreachPartition(part => {
//從連接池中獲取連接 val connection = JDBCManager.getConnection() part.foreach(data => { val sql = //往wordcount表中插入wordcount信息,on duplicate key update子句是有則更新無則插入 s"insert into wordcount (word,count) " + s"values ('${data._1}',${data._2}) on duplicate key update count=${data._2}"
//使用prepareStatement來使用sql語句 val pstmt = connection.prepareStatement(sql) pstmt.executeUpdate() })
//在連接處提交完數(shù)據(jù)后,歸還連接到連接池 JDBCManager.returnConnection(connection) }) } }) ssc.start() ssc.awaitTermination() }}
打開nc,輸入數(shù)據(jù)
在另一個終端對wordcount的結(jié)果進(jìn)行查詢,可以發(fā)現(xiàn)是實時發(fā)生變化的
上述內(nèi)容就是SparkStreaming算子開發(fā)實例分析,你們學(xué)到知識或技能了嗎?如果還想學(xué)到更多技能或者豐富自己的知識儲備,歡迎關(guān)注億速云行業(yè)資訊頻道。
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進(jìn)行舉報,并提供相關(guān)證據(jù),一經(jīng)查實,將立刻刪除涉嫌侵權(quán)內(nèi)容。