相关推荐:第83课:Scala和Java二种方式实战Spark Streaming开发

一、Java方式开发1、开发前准备:假定您以搭建好了Spark集群。2、开发环境采用eclipse maven工程,需要添加Spark Streaming依赖。3、Spark streaming 基于Spark Core进行计算,需要注意事项:设置本地master,如果指定local的话,必须配

摘要:

Sprak Streaming属于Saprk AP的扩展,支持实时数据流(live data streams)的可扩展,高吞吐(hight-throughput) 容错(fault-tolerant)的流处理。可以接受来自KafKa,Flume,ZeroMQ Kinesis

Twitter或TCP套接字的数据源,处理的结果数据可以存储到文件系统 数据库 现场dashboards等。 DStream编程模型Dstream是Spark streaming中的高级抽象连续数据流,这个数据源可以从外部获得(如KafKa Flume等),也可以通过输入流获得,还可以通过在其他DStream上进行高级操作创建,DStream是通过一组时间序列上连续的RDD表示的,所以一个DStream可以看作是一个RDDs的序列。 DStream操作1.套接字流:通过监听Socket端口来接收数据。通过Scala编写程序来产生一系列的字符作为输入流:GenerateChar:object GenerateChar {

def generateContext(index : Int) : String = {

import scala.collection.mutable.ListBuffer

val charList = ListBuffer[Char]()

for(i <- 65 to 90)

charList += i.toChar

val charArray = charList.toArray

charArray(index).toString

}

def index = {

import

java.util.Random

val rdm = new Random

rdm.nextInt(7)

}

def main(args: Array[String]) {

val listener = new ServerSocket(9998)

while(true){

val socket = listener.accept()

new Thread(){

override def run() = {

println("Got client connected from :"+ socket.getInetAddress)

val out = new PrintWriter(socket.getOutputStream,true)

while(true){

Thread.sleep(500)

val context = generateContext(index)

//产生的字符是字母表的前七个随机字母

println(context)

out.write(context + '\n')

out.flush()

}

socket.close()

}

}.start()

}

}}ScoketStreaming:object ScoketStreaming {

def main(args: Array[String]) {

//创建一个本地的StreamingContext,含2个工作线程

val conf = new SparkConf().setMaster("local[2]").setAppName("ScoketStreaming")

val sc = new StreamingContext(conf,Seconds(10))

//每隔10秒统计一次字符总数

//创建珍一个DStream,连接master:9998

val lines = sc.socketTextStream("master",9998)

val words = lines.flatMap(_.split(" "))

val wordCounts = words.map(x => (x , 1)).reduceByKey(_ + _)

wordCounts.print()

sc.start()

//开始计算

sc.awaitTermination()

//通过手动终止计算,否则一直运行下去

}}运行结果:GenerateChar产生的数据如下:Got client connected from :/192.168.31.128CGBCFGDGBScoketStreaming运行结果:-------------------------------------------Time: 1459426750000 ms-------------------------------------------(B,1)(G,1)(C,1)-------------------------------------------Time: 1459426760000 ms-------------------------------------------(B,5)(F,3)(D,4)(G,3)(C,3)(E,1)注意:如果是在本地运行的,setMaster的参数必须为local[n],n >1,官网解释:

When running a Spark Streaming program locally, do not use “local” or “local[1]” as the master URL. Either ofthese means that only one thread will be used for running tasks locally. If you are using a input DStream based on a receiver (e.g. sockets, Kafka, Flume, etc.), then the single thread will be used to run the receiver,leaving no thread for processing the received data.

当在本地运行Spark Streaming程序时,Master的URL不能设置为"local"或"local[1]",这两种设置都意味着你将会只有一个线程来运行作业,如果你的Input DStream基于一个接收器(如Kafka,Flume等),那么只有一个线程来接收数据,而没有多余的线程来处理接收到的数据。如果是在集群上运行,为Spark streaming应分配的核数应该在大于接收器的数据,否则同样只接收了数据而没有能力处理。 2.文件流:Spark Streaming通过监控文件系统的变化,若有新文件添加,则将它读入并作为数据流需要注意的是:

1.这些文件具有相同的格式

2.这些文件通过原子移动或重命名文件的方式在dataDirectory创建

3.一旦移动这些文件,就不能再进行修改,如果在文件中追加内容,这些追加的新数据也不会被读取。FileStreaming:object FileStreaming {

def main(args: Array[String]) {

val conf = new SparkConf().setMaster("local").setAppName("FileStreaming")

val sc = new StreamingContext(conf,Seconds(5))

val lines = sc.textFileStream("/home/hadoop/wordCount")

val words = lines.flatMap(_.split(" "))

val wordCounts = words.map(x => (x , 1)).reduceByKey(_ + _)

sc.start()

sc.awaitTermination()

}}当你在文件目录里添加文件时,Spark

Streaming就会自动帮你读入并计算 ,可以读取本地目录 HDFS和其他文件系统。注意:文件流不需要运行接收器,所以不需要分配核数 3.RDD队列流:使用streamingContext.queueStream(queueOfRDD)创建基于RDD队列的DStream,用于调试Spark Streaming应用程序。QueueStream:程序每隔1秒就创建一个RDD,Streaming每隔1秒就就对数据进行处理object QueueStream {

def main(args: Array[String]) {

val conf = new SparkConf().setMaster("local[2]").setAppName("queueStream")

//每1秒对数据进行处理

val ssc = new StreamingContext(conf,Seconds(1))

//创建一个能够push到QueueInputDStream的RDDs队列

val rddQueue = new mutable.SynchronizedQueue[RDD[Int]]()

//基于一个RDD队列创建一个输入源

val inputStream = ssc.queueStream(rddQueue)

val mappedStream = inputStream.map(x => (x % 10,1))

val reduceStream = mappedStream.reduceByKey(_ + _)

reduceStream.print

ssc.start()

for(i <- 1 to 30){

rddQueue += ssc.sparkContext.makeRDD(1 to 100, 2)

//创建RDD,并分配两个核数

Thread.sleep(1000)

}

ssc.stop()

}}输出-------------------------------------------Time: 1459595433000 ms //第1个输出-------------------------------------------(4,10)(0,10)(6,10)(8,10)(2,10)(1,10)(3,10)(7,10)(9,10)(5,10)........................-------------------------------------------Time: 1459595463000 ms //第30个输出-------------------------------------------(4,10)(0,10)(6,10)(8,10)(2,10)(1,10)(3,10)(7,10)(9,10)(5,10) 4.带状态的处理staefullupdateStateByKey操作:使用updateStateByKey操作的地是为了保留key的状态,并能持续的更新;使用此功能有如下两个步骤:

1.定义状态,这个状态可以是任意的数据类型

2.定义状态更新函数, 指定一个函数根据之前的状态来确定如何更新状态。 同样以wordCount作为例子,不同的是每一次的输出都会累计之前的wordCountStateFull:object StateFull {

def main(args: Array[String]) {

//定义状态更新函数

val updateFunc = (values: Seq[Int], state: Option[Int]) => {

val currentCount = values.foldLeft(0)(_ + _)

val previousCount = state.getOrElse(0)

Some(currentCount + previousCount)

}

val conf = new SparkConf().setMaster("local[2]").setAppName("stateFull")

val sc = new StreamingContext(conf, Seconds(5))

sc.checkpoint(".")

//设置检查点,存储位置是当前目录,检查点具有容错机制

val lines = sc.socketTextStream("master", 9999)

val words = lines.flatMap(_.split(" "))

val wordDstream = words.map(x => (x, 1))

val stateDstream = wordDstream.updateStateByKey[Int](updateFunc)

stateDstream.print()

sc.start()

sc.awaitTermination()

}}先运行之前GenerateChar来产生字母,再运行StateFull,结果如下:-------------------------------------------Time: 1459597690000 ms-------------------------------------------(B,3)(F,1)(D,1)(G,1)(C,1)-------------------------------------------Time: 1459597700000 ms //会累计之前的值-------------------------------------------(B,5)(F,3)(D,4)(G,4)(A,2)(E,5)(C,4) Spark Straming最大的优点在于处理数据采用的是粗粒度的处理方式(一次处理一小批的数据),这种特性也更方便地实现容错恢复机制,其DStream是在RDD上的高级抽象,所以其极容易与RDD进行互操作。 

相关推荐:Spark入门实战系列--7.Spark Streaming(下)--实时流计算Spark Streaming实战

【注】该系列文章以及使用到安装包/测试数据 可以在《倾情大奉送--Spark入门实战系列》获取1、实例演示1.1流数据模拟器1.1.1流数据说明在实例演示中模拟实际情况,需要源源不断地接入流数据,为了在演示过程中更接近真实环境将

快照源:http://www.cnblogs.com/MOBIN/p/5348295.html