运维开发网

Spark Streaming--实战篇

运维开发网 https://www.qedev.com 2020-04-23 18:49 出处:网络 作者:运维开发网整理
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。 DS
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.updateStateByKeyInt

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

0

精彩评论

暂无评论...
验证码 换一张
取 消