[DB] Spark Streaming

2024-03-05 13:52:42

概述

  • 流式计算框架，类似Storm
  • 严格来说不是真正的流式计算（实时计算），而是把连续的数据当做不连续的RDD处理，本质是离散计算
  • Flink：和 Spark Streaming 相反，把离散数据当成流式数据处理

基础

  • 易用，已经集成在Spark中
  • 容错性，底层也是RDD
  • 支持Java、Scala、Python

[DB] Spark Streaming

WordCount

  • nc -l -p 1234
  • bin/run-example streaming.NetworkWordCount localhost 1234
  • cpu核心数必须>1，不记录之前的状态
[DB] Spark Streaming
 1 import org.apache.spark.SparkConf
 2 import org.apache.spark.storage.StorageLevel
 3 import org.apache.spark.streaming.{Seconds, StreamingContext}
 4 
 5 // 创建一个StreamingContext，创建一个DSteam(离散流)
 6 // DStream表现形式：RDD
 7 // 使用DStream把连续的数据流变成不连续的RDD
 8 object MyNetworkWordCount {
 9   def main(args: Array[String]): Unit = {
10     // 创建一个StreamingContext对象，以local模式为例
11     // 保证CPU核心>=2，setMaster("[2]")，开启两个线程
12     val conf = new SparkConf().setAppName("MyNetworkWordCount").setMaster("local[2]")
13 
14     // 两个参数：1.conf 和 2.采样时间间隔：每隔3s
15     val ssc = new StreamingContext(conf,Seconds(3))
16 
17     // 创建DStream，从netcat服务器接收数据
18     val lines = ssc.socketTextStream("192.168.174.111",1234,StorageLevel .MEMORY_ONLY)
19 
20     // 进行单词计数
21     val words = lines.flatMap(_.split(" "))
22 
23     // 计数
24     val wordCount = words.map((_,1)).reduceByKey(_+_)
25 
26     // 打印结果
27     wordCount.print()
28 
29     // 启动StreamingContext，进行计算
30     ssc.start()
31 
32     // 等待任务结束
33     ssc.awaitTermination()
34   }
35 }
View Code

[DB] Spark Streaming

高级特性

  • 什么是DStream：离散流，把连续的数据流变成不连续的RDD

[DB] Spark Streaming

  • transform
  • updateStateByKey(func)：累加之前的结果，设置检查点，把之前的结果保存到检查点目录下
    • hdfs dfs -mkdir -p /day0614/ckpt
    • hdfs dfs -ls /day0614/ckpt
[DB] Spark Streaming
 1 import org.apache.spark.SparkConf
 2 import org.apache.spark.storage.StorageLevel
 3 import org.apache.spark.streaming.{Seconds, StreamingContext}
 4 
 5 // 创建一个StreamingContext，创建一个DSteam(离散流)
 6 // DStream表现形式：RDD
 7 // 使用DStream把连续的数据流变成不连续的RDD
 8 object MyTotalNetworkWordCount {
 9   def main(args: Array[String]): Unit = {
10     // 创建一个StreamingContext对象，以local模式为例
11     // 保证CPU核心>=2，setMaster("[2]")，开启两个线程
12     val conf = new SparkConf().setAppName("MyNetworkWordCount").setMaster("local[2]")
13 
14     // 两个参数：1.conf 和 2.采样时间间隔：每隔3s
15     val ssc = new StreamingContext(conf,Seconds(3))
16 
17     // 设置检查点目录，保存之前状态
18     ssc.checkpoint("hdfs://192.168.174.111:9000/day0614/ckpt")
19 
20     // 创建DStream，从netcat服务器接收数据
21     val lines = ssc.socketTextStream("192.168.174.111",1234,StorageLevel .MEMORY_ONLY)
22 
23     // 进行单词计数
24     val words = lines.flatMap(_.split(" "))
25 
26     // 计数
27     val wordPair = words.map(w => (w,1))
28 
29     // 定义值函数
30     // 两个参数：1.当前的值 2.之前的结果
31     val addFunc = (curreValues:Seq[Int],previousValues:Option[Int])=>{
32       // 把当前序列进行累加
33       val currentTotal = curreValues.sum
34 
35       // 在之前的值上再累加
36       // 如果之前没有值，返回0
37       Some(currentTotal + previousValues.getOrElse(0))
38     }
39 
40     // 累加计算
41     val total = wordPair.updateStateByKey(addFunc)
42 
43     total.print()
44 
45     ssc.start()
46 
47     ssc.awaitTermination()
48 
49   }
50 }
View Code

[DB] Spark Streaming

[DB] Spark Streaming

  • 窗口操作
    • 只统计在窗口中的数据
    • Exception in thread "main" java.lang.Exception: The slide duration of windowed DStream (10000 ms) must be a multiple of the slide duration of parent DStream (3000 ms)
    • 滑动距离必须是采样频率的整数倍
[DB] Spark Streaming
 1 package day0614
 2 
 3 import org.apache.log4j.{Level, Logger}
 4 import org.apache.spark.SparkConf
 5 import org.apache.spark.storage.StorageLevel
 6 import org.apache.spark.streaming.{Seconds, StreamingContext}
 7 
 8 
 9 object MyNetworkWordCountByWindow {
10   def main(args: Array[String]): Unit = {
11     // 不打印日志
12     Logger.getLogger("org.apache.spark").setLevel(Level.ERROR)
13     Logger.getLogger("org.eclipse.jetty.server").setLevel(Level.OFF)
14     // 创建一个StreamingContext对象，以local模式为例
15     // 保证CPU核心>=2，setMaster("[2]")，开启两个线程
16     val conf = new SparkConf().setAppName("MyNetworkWordCount").setMaster("local[2]")
17 
18     // 两个参数：1.conf 和 2.采样时间间隔：每隔3s
19     val ssc = new StreamingContext(conf,Seconds(3))
20 
21     // 创建DStream，从netcat服务器接收数据
22     val lines = ssc.socketTextStream("192.168.174.111",1234,StorageLevel .MEMORY_ONLY)
23 
24     // 进行单词计数
25     val words = lines.flatMap(_.split(" ")).map((_,1))
26 
27     // 每9s,把过去30s的数据进行WordCount
28     // 参数：1.操作 2.窗口大小 3.窗口滑动距离
29     val result = words.reduceByKeyAndWindow((x:Int,y:Int)=>(x+y),Seconds(30),Seconds(9))
30 
31     result.print()
32     ssc.start()
33     ssc.awaitTermination()
34   }
35 }
View Code

[DB] Spark Streaming

  • 集成Spark SQL
    • 使用SQL语句分析流式数据
[DB] Spark Streaming
 1 package day0614
 2 
 3 import org.apache.log4j.{Level, Logger}
 4 import org.apache.spark.SparkConf
 5 import org.apache.spark.sql.SparkSession
 6 import org.apache.spark.storage.StorageLevel
 7 import org.apache.spark.streaming.{Seconds, StreamingContext}
 8 
 9 object MyNetworkWordCountWithSQL {
10   def main(args: Array[String]): Unit = {
11     Logger.getLogger("org.apache.spark").setLevel(Level.ERROR)
12     Logger.getLogger("org.eclipse.jetty.server").setLevel(Level.OFF)
13     // 创建一个StreamingContext对象，以local模式为例
14     // 保证CPU核心>=2，setMaster("[2]")，开启两个线程
15     val conf = new SparkConf().setAppName("MyNetworkWordCount").setMaster("local[2]")
16 
17     // 两个参数：1.conf 和 2.采样时间间隔：每隔3s
18     val ssc = new StreamingContext(conf,Seconds(3))
19 
20     // 创建DStream，从netcat服务器接收数据
21     val lines = ssc.socketTextStream("192.168.174.111",1234,StorageLevel .MEMORY_ONLY)
22 
23     // 进行单词计数
24     val words = lines.flatMap(_.split(" "))
25 
26     // 集成Spark SQL，使用SQL语句进行WordCount
27     words.foreachRDD(rdd=> {
28       // 创建SparkSession对象
29       val spark = SparkSession.builder().config(rdd.sparkContext.getConf).getOrCreate()
30 
31       // 把rdd转成DataFrame
32       import spark.implicits._
33       val df1 = rdd.toDF("word") // 表df1:只有一个列"word"
34 
35       // 创建视图
36       df1.createOrReplaceTempView("words")
37 
38       // 执行SQL，通过SQL执行WordCount
39       spark.sql("select word,count(*) from words group by word").show
40     })
41 
42     ssc.start()
43     ssc.awaitTermination()
44   }
45 }
View Code

[DB] Spark Streaming

数据源

  • 基本数据源
    • 文件流
[DB] Spark Streaming
 1 import org.apache.log4j.{Level, Logger}
 2 import org.apache.spark.SparkConf
 3 import org.apache.spark.storage.StorageLevel
 4 import org.apache.spark.streaming.{Seconds, StreamingContext}
 5 
 6 object FileStreaming {
 7   def main(args: Array[String]): Unit = {
 8     Logger.getLogger("org.apache.spark").setLevel(Level.ERROR)
 9     Logger.getLogger("org.eclipse.jetty.server").setLevel(Level.OFF)
10     // 创建一个StreamingContext对象，以local模式为例
11     // 保证CPU核心>=2，setMaster("[2]")，开启两个线程
12     val conf = new SparkConf().setAppName("MyNetworkWordCount").setMaster("local[2]")
13 
14     // 两个参数：1.conf 和 2.采样时间间隔：每隔3s
15     val ssc = new StreamingContext(conf,Seconds(3))
16 
17     // 直接监控本地的某个目录，如果有新的文件产生，就读取进来
18     val lines = ssc.textFileStream("F:\\idea-workspace\\temp")
19 
20     lines.print()
21     ssc.start()
22     ssc.awaitTermination()
23   }
24 }
View Code
    • RDD队列流
[DB] Spark Streaming
 1 import org.apache.log4j.{Level, Logger}
 2 import org.apache.spark.SparkConf
 3 import org.apache.spark.rdd.RDD
 4 import org.apache.spark.storage.StorageLevel
 5 import org.apache.spark.streaming.{Seconds, StreamingContext}
 6 import scala.collection.mutable.Queue
 7 
 8 object RDDQueueStream {
 9   def main(args: Array[String]): Unit = {
10     Logger.getLogger("org.apache.spark").setLevel(Level.ERROR)
11     Logger.getLogger("org.eclipse.jetty.server").setLevel(Level.OFF)
12     // 创建一个StreamingContext对象，以local模式为例
13     // 保证CPU核心>=2，setMaster("[2]")，开启两个线程
14     val conf = new SparkConf().setAppName("MyNetworkWordCount").setMaster("local[2]")
15 
16     // 两个参数：1.conf 和 2.采样时间间隔：每隔1s
17     val ssc = new StreamingContext(conf,Seconds(1))
18 
19     // 创建队列，作为数据源
20     val rddQueue = new Queue[RDD[Int]]()
21     for(i<-1 to 3){
22       rddQueue += ssc.sparkContext.makeRDD(1 to 10)
23       // 睡1s
24       Thread.sleep(1000)
25     }
26 
27     // 从队列中接收数据，创建DStream
28     val inputDStream = ssc.queueStream(rddQueue)
29 
30     // 处理数据
31     val result = inputDStream.map(x=>(x,x*2))
32     result.print()
33 
34     ssc.start()
35     ssc.awaitTermination()
36   }
37 }
View Code
    • 套接字流（socketTextStream）
  • 高级数据源
    • Flume
    • Kafka

Kafka

  • 概述
    • 一种高吞吐量的分布式发布订阅消息系统
    • 消息类型：主体Topic（广播）、队列Queue（一对一）
    • 消息系统类型：同步消息系统、异步消息系统
    • 常见消息产品：Redis、Kafka、JMS
  • 安装
    • config/server.properties
    • bin/kafka-server-start.sh config/server.properties &
    • bin/kafka-topics.sh --create --zookeeper bigdata111:2181 -replication-factor 1 --partitions 3 --topic mydemo1
    • bin/kafka-console-producer.sh --broker-list bigdata111:9092 --topic mydemo1
    • bin/kafka-console-consumer.sh --zookeeper bigdata111:2181 --topic mydemo1

[DB] Spark Streaming

性能优化参数

 

上一篇：Spark Streaming连接Kafka入门教程


下一篇：Spark快速回顾汇总(2)