SparkStreaming实战篇-微笑向暖wx-ChinaUnix博客

摘要：

Sprak Streaming属于Saprk API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 :/192.168.31.128

ScoketStreaming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staefull

updateStateByKey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wordCount

StateFull:

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