312 lines
13 KiB
Markdown
312 lines
13 KiB
Markdown
# Spark Streaming 基本操作
|
||
|
||
## 一、案例引入
|
||
|
||
这里先引入一个基本的案例来演示流的创建：监听指定端口9999上的数据并进行词频统计。项目依赖和代码实现如下：
|
||
|
||
```xml
|
||
<dependency>
|
||
<groupId>org.apache.spark</groupId>
|
||
<artifactId>spark-streaming_2.12</artifactId>
|
||
<version>2.4.3</version>
|
||
</dependency>
|
||
```
|
||
|
||
```scala
|
||
import org.apache.spark.SparkConf
|
||
import org.apache.spark.streaming.{Seconds, StreamingContext}
|
||
|
||
object NetworkWordCount {
|
||
|
||
def main(args: Array[String]) {
|
||
|
||
/*指定时间间隔为5s*/
|
||
val sparkConf = new SparkConf().setAppName("NetworkWordCount").setMaster("local[2]")
|
||
val ssc = new StreamingContext(sparkConf, Seconds(5))
|
||
|
||
/*创建文本输入流,并进行词频统计*/
|
||
val lines = ssc.socketTextStream("hadoop001", 9999)
|
||
lines.flatMap(_.split(" ")).map(x => (x, 1)).reduceByKey(_ + _).print()
|
||
|
||
/*启动服务*/
|
||
ssc.start()
|
||
/*等待服务结束*/
|
||
ssc.awaitTermination()
|
||
}
|
||
}
|
||
```
|
||
|
||
二、常用算子
|
||
|
||
使用本地模式启动Spark程序，然后使用`nc -lk 9999`打开端口并输入测试数据：
|
||
|
||
```shell
|
||
[root@hadoop001 ~]# nc -lk 9999
|
||
hello world hello spark hive hive hadoop
|
||
storm storm flink azkaban
|
||
```
|
||
|
||
此时IDEA中控制台输出如下，可以看到已经接收到每一行数据并且进行了词频统计。
|
||
|
||
|
||
|
||
下面我们针对示例代码进行讲解：
|
||
|
||
### 3.1 StreamingContext
|
||
|
||
Spark Streaming编程的入口类是StreamingContext，在创建时候需要指明`sparkConf`和`batchDuration`(批次时间)，Spark流处理本质是将流数据拆分为一个个批次，然后进行微批处理，batchDuration就是用于指定流数据将被分成批次的时间间隔。这个时间可以根据业务需求和服务器性能进行指定，如果业务要求低延迟，则这个时间可以指定得很短。
|
||
|
||
这里需要注意的是：示例代码使用的是本地模式，配置为`local[2]`，这里不能配置为`local[1]`。这是因为对于流数据的处理，Spark必须有一个独立的Executor来接收数据，然后由其他的Executors来处理数据，所以为了保证数据能够被处理，至少要有2个Executors。这里我们的程序只有一个数据流，在并行读取多个数据流的时候，也要注意必须保证有足够的Executors来接收和处理数据。
|
||
|
||
### 3.2 数据源
|
||
|
||
在示例代码中使用的是`socketTextStream`来创建基于socket的数据流，实际上Spark还支持多种数据源，分为以下两类：
|
||
|
||
+ 基本数据源：文件系统、socket的连接；
|
||
+ 高级数据源：Kafka，Flume，Kinesis。
|
||
|
||
在基本数据源中，Spark支持对HDFS上指定目录进行监听，当有新文件加入时，会获取其文件内容作为输入流。创建方式如下：
|
||
|
||
```scala
|
||
// 对于文本文件，指明监听目录即可
|
||
streamingContext.textFileStream(dataDirectory)
|
||
// 对于其他文件，需要指明目录，以及键的类型、值的类型、和输入格式
|
||
streamingContext.fileStream[KeyClass, ValueClass, InputFormatClass](dataDirectory)
|
||
```
|
||
|
||
指定的目录时，可以是具体的目录，如`hdfs://namenode:8040/logs/`；也可以使用通配符，如`hdfs://namenode:8040/logs/2017/*`。
|
||
|
||
> 关于高级数据源的整合单独整理至：[Spark Streaming 整合 Flume](https://github.com/heibaiying/BigData-Notes/blob/master/notes/Spark_Streaming整合Flume.md) 和 [Spark Streaming 整合 Kafka](https://github.com/heibaiying/BigData-Notes/blob/master/notes/Spark_Streaming整合Kafka.md)
|
||
|
||
### 3.3 服务的启动与停止
|
||
|
||
在示例代码中，使用`streamingContext.start()`代表启动服务，此时还要使`streamingContext.awaitTermination()`使服务处于等待和可用的状态，直到发生异常或者手动使用`streamingContext.stop()`进行终止。
|
||
|
||
|
||
|
||
## 二、updateStateByKey
|
||
|
||
### 2.1 DStream与RDDs
|
||
|
||
DStream是Spark Streaming提供的基本抽象。它表示连续的数据流。在内部，DStream由一系列连续的RDD表示。所以从本质上而言，应用于DStream的任何操作都会转换为底层RDD上的操作。例如，在示例代码中的flatMap算子操作实际上是作用在每个RDDs上(如下图)。因为这个原因，所以Spark Streaming能够支持RDD大多数的transformation算子。
|
||
|
||
|
||
|
||
### 2.2 updateStateByKey
|
||
|
||
除了支持RDD上大多数的transformation算子外，DStream还有部分独有的算子，这当中比较重要的是`updateStateByKey`。文章开头的词频统计程序，只能统计每一次输入文本中单词出现的数量，想要统计所有历史输入中单词出现的数量，就需要依赖`updateStateByKey`算子。代码如下：
|
||
|
||
```scala
|
||
object NetworkWordCountV2 {
|
||
|
||
|
||
def main(args: Array[String]) {
|
||
|
||
/*
|
||
* 本地测试时最好指定hadoop用户名,否则会默认使用本地电脑的用户名,
|
||
* 此时在HDFS上创建目录时可能会抛出权限不足的异常
|
||
*/
|
||
System.setProperty("HADOOP_USER_NAME", "root")
|
||
|
||
val sparkConf = new SparkConf().setAppName("NetworkWordCountV2").setMaster("local[2]")
|
||
val ssc = new StreamingContext(sparkConf, Seconds(5))
|
||
/*必须要设置检查点*/
|
||
ssc.checkpoint("hdfs://hadoop001:8020/spark-streaming")
|
||
val lines = ssc.socketTextStream("hadoop001", 9999)
|
||
lines.flatMap(_.split(" ")).map(x => (x, 1))
|
||
.updateStateByKey[Int](updateFunction _) //updateStateByKey算子
|
||
.print()
|
||
|
||
ssc.start()
|
||
ssc.awaitTermination()
|
||
}
|
||
|
||
/**
|
||
* 累计求和
|
||
*
|
||
* @param currentValues 当前的数据
|
||
* @param preValues 之前的数据
|
||
* @return 相加后的数据
|
||
*/
|
||
def updateFunction(currentValues: Seq[Int], preValues: Option[Int]): Option[Int] = {
|
||
val current = currentValues.sum
|
||
val pre = preValues.getOrElse(0)
|
||
Some(current + pre)
|
||
}
|
||
}
|
||
```
|
||
|
||
使用`updateStateByKey`算子，你必须使用` ssc.checkpoint()`设置检查点，这样当使用`updateStateByKey`算子时，它会去检查点中取出上一次保存的信息，并使用自定义的`updateFunction`函数将上一次的数据和本次数据进行相加，然后返回。
|
||
|
||
### 2.3 启动测试
|
||
|
||
```shell
|
||
[root@hadoop001 ~]# nc -lk 9999
|
||
hello world hello spark hive hive hadoop
|
||
storm storm flink azkaban
|
||
hello world hello spark hive hive hadoop
|
||
storm storm flink azkaban
|
||
```
|
||
|
||
控制台输出如下，可以看到每一次输入的结果都被进行了累计求值。
|
||
|
||
|
||
|
||
同时查看在输出日志中还可以看到检查点操作的相关信息：
|
||
|
||
```shell
|
||
# 保存检查点信息
|
||
19/05/27 16:21:05 INFO CheckpointWriter: Saving checkpoint for time 1558945265000 ms
|
||
to file 'hdfs://hadoop001:8020/spark-streaming/checkpoint-1558945265000'
|
||
|
||
# 删除已经无用的检查点信息
|
||
19/05/27 16:21:30 INFO CheckpointWriter:
|
||
Deleting hdfs://hadoop001:8020/spark-streaming/checkpoint-1558945265000
|
||
```
|
||
|
||
## 三、输出操作
|
||
|
||
### 3.1 输出API
|
||
|
||
| Output Operation | Meaning |
|
||
| :------------------------------------------ | :----------------------------------------------------------- |
|
||
| **print**() | 在运行流应用程序的driver节点上打印DStream中每个批次的前十个元素。用于开发调试。 |
|
||
| **saveAsTextFiles**(*prefix*, [*suffix*]) | 将DStream的内容保存为文本文件。每个批处理间隔的文件名基于前缀和后缀生成：“prefix-TIME_IN_MS [.suffix]”。 |
|
||
| **saveAsObjectFiles**(*prefix*, [*suffix*]) | 将此DStream的内容序列化为Java对象，并保存到SequenceFiles。每个批处理间隔的文件名基于前缀和后缀生成：“prefix-TIME_IN_MS [.suffix]”。 |
|
||
| **saveAsHadoopFiles**(*prefix*, [*suffix*]) | 将此DStream的内容保存为Hadoop文件。每个批处理间隔的文件名基于前缀和后缀生成：“prefix-TIME_IN_MS [.suffix]”。 |
|
||
| **foreachRDD**(*func*) | 最通用的输出方式，它将函数func应用于从流生成的每个RDD。此函数应将每个RDD中的数据推送到外部系统，例如将RDD保存到文件，或通过网络将其写入数据库。 |
|
||
|
||
|
||
### 3.1 foreachRDD
|
||
|
||
这里我们使用Redis作为客户端，对文章开头示例程序进行改变，把每一次词频统计的结果写入到Redis,利用Redis的`HINCRBY`命令来进行总次数的统计。相关依赖和实现代码如下：
|
||
|
||
```xml
|
||
<dependency>
|
||
<groupId>redis.clients</groupId>
|
||
<artifactId>jedis</artifactId>
|
||
<version>2.9.0</version>
|
||
</dependency>
|
||
```
|
||
|
||
实现代码如下:
|
||
|
||
```scala
|
||
import org.apache.spark.SparkConf
|
||
import org.apache.spark.streaming.dstream.DStream
|
||
import org.apache.spark.streaming.{Seconds, StreamingContext}
|
||
import redis.clients.jedis.Jedis
|
||
|
||
object NetworkWordCountToRedis {
|
||
|
||
def main(args: Array[String]) {
|
||
|
||
val sparkConf = new SparkConf().setAppName("NetworkWordCountToRedis").setMaster("local[2]")
|
||
val ssc = new StreamingContext(sparkConf, Seconds(5))
|
||
|
||
/*创建文本输入流,并进行词频统计*/
|
||
val lines = ssc.socketTextStream("hadoop001", 9999)
|
||
val pairs: DStream[(String, Int)] = lines.flatMap(_.split(" "))
|
||
.map(x => (x, 1)).reduceByKey(_ + _)
|
||
pairs.foreachRDD { rdd =>
|
||
rdd.foreachPartition { partitionOfRecords =>
|
||
var jedis: Jedis = null
|
||
try {
|
||
jedis = JedisPoolUtil.getConnection
|
||
partitionOfRecords.foreach(record => jedis.hincrBy("wordCount", record._1, record._2))
|
||
} catch {
|
||
case ex: Exception =>
|
||
ex.printStackTrace()
|
||
} finally {
|
||
if (jedis != null) jedis.close()
|
||
}
|
||
}
|
||
}
|
||
|
||
ssc.start()
|
||
ssc.awaitTermination()
|
||
}
|
||
}
|
||
|
||
```
|
||
|
||
其中`JedisPoolUtil`的代码如下：
|
||
|
||
```java
|
||
import redis.clients.jedis.Jedis;
|
||
import redis.clients.jedis.JedisPool;
|
||
import redis.clients.jedis.JedisPoolConfig;
|
||
|
||
public class JedisPoolUtil {
|
||
|
||
/* 声明为volatile防止指令重排序 */
|
||
private static volatile JedisPool jedisPool = null;
|
||
private static final String HOST = "localhost";
|
||
private static final int PORT = 6379;
|
||
|
||
/* 双重检查锁实现懒汉式单例 */
|
||
public static Jedis getConnection() {
|
||
if (jedisPool == null) {
|
||
synchronized (JedisPoolUtil.class) {
|
||
if (jedisPool == null) {
|
||
JedisPoolConfig config = new JedisPoolConfig();
|
||
config.setMaxTotal(30);
|
||
config.setMaxIdle(10);
|
||
jedisPool = new JedisPool(config, HOST, PORT);
|
||
}
|
||
}
|
||
}
|
||
return jedisPool.getResource();
|
||
}
|
||
}
|
||
```
|
||
|
||
### 3.3 代码说明
|
||
|
||
这里将上面输出操作的代码单独抽取出来，并去除异常判断的部分，精简后的代码如下：
|
||
|
||
```scala
|
||
pairs.foreachRDD { rdd =>
|
||
rdd.foreachPartition { partitionOfRecords =>
|
||
val jedis = JedisPoolUtil.getConnection
|
||
partitionOfRecords.foreach(record => jedis.hincrBy("wordCount", record._1, record._2))
|
||
jedis.close()
|
||
}
|
||
}
|
||
```
|
||
|
||
这里可以看到一共使用了三次循环，分别是循环RDD，循环分区，循环每条记录，上面我们的代码是在循环分区的时候获取连接，也就是为每一个分区获取一个连接。但是这里大家可能会有疑问：为什么不在循环RDD的时候，为每一个RDD获取一个连接，这样所需要的连接数更少。实际上这是不可以的，如果按照这种情况进行改写，如下：
|
||
|
||
```scala
|
||
pairs.foreachRDD { rdd =>
|
||
val jedis = JedisPoolUtil.getConnection
|
||
rdd.foreachPartition { partitionOfRecords =>
|
||
partitionOfRecords.foreach(record => jedis.hincrBy("wordCount", record._1, record._2))
|
||
}
|
||
jedis.close()
|
||
}
|
||
```
|
||
|
||
此时在执行时候就会抛出`Caused by: java.io.NotSerializableException: redis.clients.jedis.Jedis`，这是因为
|
||
|
||
第二个需要注意的是ConnectionPool最好是一个静态，惰性初始化连接池 。这是因为Spark的转换操作本生就是惰性的，且没有数据流时是不会触发写出操作，故出于性能考虑，连接池应该是惰性静态的，所以上面`JedisPool`在初始化时采用了懒汉式单例进行初始化。
|
||
|
||
|
||
|
||
### 3.3 启动测试
|
||
|
||
```shell
|
||
[root@hadoop001 ~]# nc -lk 9999
|
||
hello world hello spark hive hive hadoop
|
||
storm storm flink azkaban
|
||
hello world hello spark hive hive hadoop
|
||
storm storm flink azkaban
|
||
```
|
||
|
||
使用Redis Manager查看写入结果(如下图),可以看到与使用`updateStateByKey`算子得到的计算结果相同。
|
||
|
||
|
||
|
||
|
||
|