用实例讲解Spark Sreaming

转载 2016年05月31日 09:12:03

用实例讲解Spark Sreaming

spark

作者: 侠天

本篇文章用Spark Streaming +Hbase为列,Spark Streaming专为流式数据处理,对Spark核心API进行了相应的扩展。什么是Spark Streaming?首先,什么是流式处理呢?数据流是一个数据持续不断到达的无边界序列集。流式处理是把连续不断的数据输入分割成单元数据块来处理。流式处理是一个低延迟的处理和流式数据分析。Spark Streaming对Spark核心API进行了相应的扩展,支持高吞吐、低延迟、可扩展的流式数据处理。实时数据处理应用的场景有下面几个:

  • 网站监控和网络监控;
  • 异常监测;
  • 网页点击;
  • 广告数据;

物联网(IOT)

sreaming

Spark Streaming

支持的数据源包括HDFS文件,TCP socket,Kafka,Flume,Twitter等,数据流可以通过Spark核心API、DataFrame SQL或者机器学习API处理,并可以持久化到本地文件、HDFS、数据库或者其它任意支持Hadoop输出格式的形式。Spark Streaming如何工作?Spark Streaming以X秒(batch size)为时间间隔把数据流分割成Dstream,组成一个RDD序列。你的Spark应用处理RDD,并把处理的结果批量返回。

RDD

Spark Streaming例子的架构图

例子
Spark Streaming例子代码分下面几部分:

  • - 读取流式数据;
  • - 处理流式数据;
  • - 写处理结果倒Hbase表。

Spark处理部分的代码涉及到如下内容:

  • 读取Hbase表的数据;
  • 按天计算数据统计;
  • 写统计结果到Hbase表,列簇:stats。

数据集数据集来自油泵信号数据,以CSV格式存储在指定目录下。Spark Streaming监控此目录,CSV文件的格式如上图。

CSV
采用Scala的case class来定义数据表结构,parseSensor函数解析逗号分隔的数据。

Hbase表结构

流式处理的Hbase表结构如下:

  • 油泵名字 + 日期 + 时间戳 组合成row key;
  • 列簇是由输入数据列、报警数据列等组成,并设置过期时间。
  • 每天等统计数据表结构如下:
  • 油泵名和日期组成row key;

列簇为stats,包含列有最大值、最小值和平均值;

平均值
配置写入Hbase表

Spark直接用TableOutputFormat类写数据到Hbase里,跟在MapReduce中写数据到Hbase表一样,下面就直接用TableOutputFormat类了。Spark Streaming代码

Spark Streaming的基本步骤:

  • 初始化Spark StreamingContext对象;
  • 在DStream上进行transformation操作和输出操作;
  • 开始接收数据并用streamingContext.start();
  • 等待处理停止,streamingContext.awaitTermination()。

初始化Spark StreamingContext

对象创建 StreamingContext对象,StreamingContext是Spark Streaming处理的入口,这里设置2秒的时间间隔。代码

接下来用StreamingContext的textFileStream(directory)创建输入流跟踪Hadoop文件系统的新文件,并处理此目录下的所有文件,这里directory指文件目录。目录

linesDStream是数据流,每条记录是按行记录的text格式。

数据流
图6对DStream进行transformation操作和输出操作接下来进行解析,对linesDStream进行map操作,map操作是对RDD应用Sensor.parseSensor函数,返回Sensor的RDD。解析

对DStream的每个RDD执行foreachRDD 方法,使用filter过滤Sensor中低psi值来创建报警,使用Hbase的Put对象转换sensor和alter数据以便能写入到Hbase。然后使用PairRDDFunctions的saveAsHadoopDataset方法将最终结果写入到任何Hadoop兼容到存储系统。存储系统

sensorRDD经过Put对象转换,然后写入到Hbase。

对象转换
开始接收数据通过streamingContext.start()显式的启动数据接收,然后调用streamingContext.awaitTermination()来等待计算完成。计算

Spark读写Hbase

现在开始读取Hbase的sensor表,计算每条的统计指标并把对应的数据写入stats列簇。

stats
下面的代码读取Hbase的sensor表psi列数据,用StatCounter计算统计数据,然后写入stats列簇。统计数据

下面的流程图显示newAPIHadoopRDD输出,(row key,result)的键值对。PairRDDFunctions 的saveAsHadoopDataset方法把Put对象存入到Hbase。

流程图
运行Spark Streaming应用运行Spark Streaming应用跟运行Spark应用类似,比较简单,此处不赘述,参见Spark Streaming官方文档。

via:infoQ

相关文章推荐

Spark机器学习:TF-IDF实例讲解

测试数据源:20 Newsgroups (http://qwone.com/~jason/20Newsgroups/),其中包含20个领域的新闻,此次我们使用20news-bydate-train作为...

spark入门知识讲解和基础数据操作编程(统一用scala编程实例)

在我的上一篇博文中:http://blog.csdn.net/zfszhangyuan/article/details/52538108 讲如何应用scala编程完成用户的在线时长和登录次数在spar...

Spark图计算GraphX介绍及实例

1、GraphX介绍 1.1 GraphX应用背景 Spark GraphX是一个分布式图处理框架,它是基于Spark平台提供对图计算和图挖掘简洁易用的而丰富的接口,极大的方便了对分布式图处理的需...

MLlib--多层感知机(MLP)算法原理及Spark MLlib调用实例(Scala/Java/Python)

来源:http://blog.csdn.net/liulingyuan6/article/details/53432429 多层感知机 算法简介:         多层感...

Spark RDD 编程实例

Spark 最核心的概念就是RDD:弹性分布式数据集。RDD 是Spark 操作数据的一种抽象,本质是分布式数据集合。这种集合被分为多个分区,这些分区运行在集群的不同节点上。我们在Spark的shel...

K均值(K-means)算法原理及Spark MLlib调用实例(Scala/Java/python)

K均值(K-means)算法 算法介绍: K-means是一个常用的聚类算法来将数据点按预定的簇数进行聚集。K-means算法的基本思想是:以空间中k个点为中心进行聚类,对最靠近他们的对象归类。通...

Spark笔记简单实例演示

spark-shell --master local[1]   #启动一个本地模式的spark应用  2代表的两个线程 //parallelize演示 val num=sc.parallelize...

混合高斯模型(GMM)Spark MLlib调用实例(Scala/Java/Python)

高斯混合模型 算法原理:     混合高斯模型描述数据点以一定的概率服从k种高斯子分布的一种混合分布。Spark.ml使用EM算法给出一组样本的极大似然模型。 参数: featuresCol:...
内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:用实例讲解Spark Sreaming
举报原因:
原因补充:

(最多只允许输入30个字)