频道栏目
首页 > 网络 > 云计算 > 正文

Scala和Java二种方式实战SparkStreaming开发

2016-08-19 09:14:00           
收藏   我要投稿

在这里我主要借鉴课上老师讲的以及官网的API来进行简单的Spark Streaming的开发:

一:java形式:

1.我们可以总结一下步骤:

第一步:创建SparkConf对象
第二步:创建SparkStreamingContext
第三步:创建爱你SparkStreaming输入数据来源(我们将数据源配置为本地端口9999(要求端口没有被占用))
第四步:我们就像对RDD编程一样,基于DStream进行编程,原因是DStream是RDD产生的模板,在Spark Streaming发生计算前,其实质是把每个Batch的DStream的操作翻译成了RDD操作
补充说明:
除了print()方法将处理后的数据输出之外,还有其他的方法也非常重要,在开发中需要重点掌握,比如SaveAsTextFile,SaveAsHadoopFile等,最为重要的是foreachRDD方法,这个方法可以将数据写入Redis,DB,DashBoard等,甚至可以随意的定义数据放在哪里,功能非常强大。

public class WordCountOnline {

    public static void main(String[] args) {
/*  第一步:配置SparkConf:
    1,至少两条线程因为Spark Streaming应用程序在运行的时候至少有一条线程用于
        不断地循环接受程序,并且至少有一条线程用于处理接受的数据(否则的话有线程用于处理数据,随着时间的推移内存和磁盘都会
    不堪重负)
    2,对于集群而言,每个Executor一般肯定不止一个线程,那对于处理SparkStreaming
        应用程序而言,每个Executor一般分配多少Core比较合适?根据我们过去的经验,5个左右的Core是最佳的
    (一个段子分配为奇数个Core表现最佳,例如3个,5个,7个Core等)
*/      
SparkConf conf = new SparkConf().setMaster("local[2]").setAppName("WordCountOnline");
        SparkConf conf = new SparkConf().setMaster("spark://Master:7077").setAppName("WordCountOnline");
/*      第二步:创建SparkStreamingContext,
        1,这个是SparkStreaming应用春香所有功能的起始点和程序调度的核心
        SparkStreamingContext的构建可以基于SparkConf参数也可以基于持久化的SparkStreamingContext的内容
        来恢复过来(典型的场景是Driver崩溃后重新启动,由于SparkStreaming具有连续7*24
        小时不间断运行的特征,所以需要Driver重新启动后继续上一次的状态,此时的状态恢复需要基于曾经的Checkpoint))
        2,在一个Sparkstreaming 应用程序中可以创建若干个SparkStreaming对象,使用下一个SparkStreaming
    之前需要把前面正在运行的SparkStreamingContext对象关闭掉,由此,我们获取一个重大的启发
        我们获得一个重大的启发SparkStreaming也只是SparkCore上的一个应用程序而已,只不过SparkStreaming框架想运行的话需要
        spark工程师写业务逻辑
*/
        @SuppressWarnings("resource")
        JavaStreamingContext jsc = new JavaStreamingContext(conf,Durations.seconds(5));

/*      第三步:创建SparkStreaming输入数据来源input Stream
        1,数据输入来源可以基于File,HDFS,Flume,Kafka-socket等
        2,在这里我们指定数据来源于网络Socket端口,SparkStreaming连接上该端口并在运行时候一直监听
    该端口的数据(当然该端口服务首先必须存在,并且在后续会根据业务需要不断地数据产生当然对于SparkStreaming
    应用程序的而言,有无数据其处理流程都是一样的);
        3,如果经常在每个5秒钟没有数据的话不断地启动空的Job其实会造成调度资源的浪费,因为并没有数据发生计算
        所以实际的企业级生成环境的代码在具体提交Job前会判断是否有数据,如果没有的话就不再提交数据
*/
        JavaReceiverInputDStream lines = jsc.socketTextStream("Master", 9999);
    /*
     * 第四步:接下来就像对于RDD编程一样,基于DStream进行编程!!!原因是Dstream是RDD产生的模板(或者说类
     * ),在SparkStreaming发生计算前,其实质是把每个Batch的Dstream的操作翻译成RDD的操作
     * 对初始的DTStream进行Transformation级别处理
     * */
        JavaDStream words = lines.flatMap(new FlatMapFunction(){ //如果是Scala,由于SAM装换,可以写成val words = lines.flatMap{line => line.split(" ")}

            @Override
            public Iterable call(String line) throws Exception {

                return Arrays.asList(line.split(" "));//将其变成Iterable的子类
            }
        });
//      第四步:对初始DStream进行Transformation级别操作
//在单词拆分的基础上对每个单词进行实例计数为1,也就是word => (word ,1 )
        JavaPairDStream pairs = words.mapToPair(new PairFunction() {

            @Override
            public Tuple2 call(String word) throws Exception {
                return new Tuple2(word,1);
            }

        });
        //对每个单词事例技术为1的基础上对每个单词在文件中出现的总次数

         JavaPairDStream wordsCount = pairs.reduceByKey(new Function2(){

            /**
             * 
             */
            private static final long serialVersionUID = 1L;

            @Override
            public Integer call(Integer v1, Integer v2) throws Exception {
                // TODO Auto-generated method stub
                return v1 + v2;
            }
        });
        /*
         * 此处的print并不会直接出发Job的支持,因为现在一切都是在SparkStreaming的框架控制之下的
         * 对于spark而言具体是否触发真正的JOb运行是基于设置的Duration时间间隔的
         * 诸位一定要注意的是Spark Streaming应用程序要想执行具体的Job,对DStream就必须有output Stream操作
         * output Stream有很多类型的函数触发,类print,savaAsTextFile,scaAsHadoopFiles等
         * 其实最为重要的一个方法是foreachRDD,因为SparkStreaming处理的结果一般都会放在Redis,DB
         * DashBoard等上面,foreach主要就是用来完成这些功能的,而且可以自定义具体的数据放在哪里!!!
         * */
         wordsCount.print();

//       SparkStreaming 执行引擎也就是Driver开始运行,Driver启动的时候位于一条新线程中的,当然
//       其内部有消息接受应用程序本身或者Executor中的消息
         jsc.start();
         jsc.close();
    }


}

2:接下来向你展示Scala的代码形式,步骤思维是一样的基本步骤可以总结为:
(1)接收数据源:
(2)flatMap操作
(3)map操作:
(4)reduce操作:
(5)print()等操作:
(6)awaitTermination操作
代码形式如下:

object WordCountOnline {
  def main(args: Array[String]) {
    val conf = new SparkConf().setAppName("WorldCountOnline").setMaster("local[2]")
    val ssc = new StreamingContext(conf,Seconds(1))
    //可以设置数据的来源,比如源于socket
//    设置端口9999,数据存储级别为MEMORY_AND_DISK
    val receiverInputStream = ssc.socketTextStream("localhost",9999,StorageLevel.MEMORY_AND_DISK)
     /*
     * 他的来源可以是File
     * 他还可以来自db,hdfs等等数据源,甚至可以自定义任何数据源,给开发者带来巨大想象空间*/
    val directory = ssc.textFileStream("")
    /*
    * 接下来,我们开始对接收进来的数据进行操作
    * 第一步:通过“,”将每一行的单词分割开来,得到一个个的单词*/
    val words = receiverInputStream.flatMap{_.split(",")}
    /*将每个单词计数为1*/
    val pairs = words.map(word => (word,1))
    /*reduceByKey通过将局部样本相同单词的个数相加,从而得到从提的单词个数*/
    val word_count = pairs.reduceByKey(_+_)
    /*与java编程一样,除了print()方法将处理后的数据输出之外,
    * 还有其他的方法也非常重啊哟,在开发中需要重点掌握比如
    * SaveAsTextFile,SaveAshadoopFile等,最为重要的是foreachRDD方法,这个方法可以将数据写入Redis,
    * DB,DashBoard等,甚至可以随意的定义数据放在那里。功能非常强大。*/
    word_count.print()
    /*此处的print方法并不会触发job执行,因为目前代码还处在Spark Streaming框架的控制之下,具体
    * 是否触发job是取决于设置的Duration时间间隔*/
    ssc.start()
    /*等待程序结束*/
    ssc.awaitTermination()

  }
}

补充说明:使用Spark Streaming可以处理各种数据来源类型,如:数据库、HDFS,服务器log日志、网络流,其强大超越了你想象不到的场景,只是很多时候大家不会用,其真正原因是对Spark、spark streaming本身不了解。

相关TAG标签 实战 方式
上一篇:Centos7.2(1511)部署cephjewel
下一篇:spark的任务执行流程解析
相关文章
图文推荐

关于我们 | 联系我们 | 广告服务 | 投资合作 | 版权申明 | 在线帮助 | 网站地图 | 作品发布 | Vip技术培训 | 举报中心

版权所有: 红黑联盟--致力于做实用的IT技术学习网站