Spark Streaming-updateStateByKey以及基于缓存的实时wordcount程序

updateStateByKey操作可以让我们为每个key维护一份state，并持续不断的更新该state。

1、首先，要定义一个state，可以是任意的数据类型；

2、其次，要定义state更新函数——指定一个函数如何使用之前的state和新值来更新state。

对于每个batch，Spark都会为每个之前已经存在的key去应用一次state更新函数，无论这个key在batch中是否有新的数据。如果state更新函数返回none，那么key对应的state就会被删除。 当然对于每个新出现的key，也会执行state更新函数。

注意，updateStateByKey操作要求必须开启Checkpoint机制。

public class UpdateStateByKeyWordCount {

  public static void main(String[] args) {
    SparkConf conf = new SparkConf().setMaster("local[2]").setAppName("UpdateStateByKeyWordCount");
    JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(5));

    // 第一点，如果要使用updateStateByKey算子，就必须设置一个checkpoint目录，开启checkpoint机制
    // 这样的话才能把每个key对应的state除了在内存中有，那么是不是也要checkpoint一份
    // 因为你要长期保存一份key的state的话，那么spark streaming是要求必须用checkpoint的，以便于在
    // 内存数据丢失的时候，可以从checkpoint中恢复数据

    // 开启checkpoint机制，很简单，只要调用jssc的checkpoint()方法，设置一个hdfs目录即可
    jssc.checkpoint("hdfs://spark1:9000/wordcount_updateStateByKey");

    // 然后先实现基础的wordcount逻辑
    JavaReceiverInputDStream<String> lines = jssc.socketTextStream("localhost", 9999);

    JavaDStream<String> words = lines.flatMap(new FlatMapFunction<String, String>() {

      private static final long serialVersionUID = 1L;

      @Override
      public Iterable<String> call(String line) throws Exception {
        return Arrays.asList(line.split(" "));
      }

    });

    JavaPairDStream<String, Integer> pairs = words.mapToPair(

        new PairFunction<String, String, Integer>() {

          private static final long serialVersionUID = 1L;

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

        });

    // 到了这里，就不一样了，之前的话，是不是直接就是pairs.reduceByKey
    // 然后，就可以得到每个时间段的batch对应的RDD，计算出来的单词计数
    // 然后，可以打印出那个时间段的单词计数
    // 但是，有个问题，你如果要统计每个单词的全局的计数呢？
    // 就是说，统计出来，从程序启动开始，到现在为止，一个单词出现的次数，那么就之前的方式就不好实现
    // 就必须基于redis这种缓存，或者是mysql这种db，来实现累加

    // 但是，我们的updateStateByKey，就可以实现直接通过Spark维护一份每个单词的全局的统计次数
    JavaPairDStream<String, Integer> wordCounts = pairs.updateStateByKey(

        // 这里的Optional，相当于Scala中的样例类，就是Option，可以这么理解
        // 它代表了一个值的存在状态，可能存在，也可能不存在
        new Function2<List<Integer>, Optional<Integer>, Optional<Integer>>() {

          private static final long serialVersionUID = 1L;

          // 这里两个参数
          // 实际上，对于每个单词，每次batch计算的时候，都会调用这个函数
          // 第一个参数，values，相当于是这个batch中，这个key的新的值，可能有多个吧
          // 比如说一个hello，可能有2个1，(hello, 1) (hello, 1)，那么传入的是(1,1)
          // 第二个参数，就是指的是这个key之前的状态，state，其中泛型的类型是你自己指定的
          @Override
          public Optional<Integer> call(List<Integer> values, Optional<Integer> state)
              throws Exception {
            // 首先定义一个全局的单词计数
            Integer newValue = 0;

            // 其次，判断，state是否存在，如果不存在，说明是一个key第一次出现
            // 如果存在，说明这个key之前已经统计过全局的次数了
            if (state.isPresent()) {
              newValue = state.get();
            }

            // 接着，将本次新出现的值，都累加到newValue上去，就是一个key目前的全局的统计
            // 次数
            for (Integer value : values) {
              newValue += value;
            }

            return Optional.of(newValue);
          }

        });

    // 到这里为止，相当于是，每个batch过来是，计算到pairs DStream，就会执行全局的updateStateByKey
    // 算子，updateStateByKey返回的JavaPairDStream，其实就代表了每个key的全局的计数
    // 打印出来
    wordCounts.print();

    jssc.start();
    jssc.awaitTermination();
    jssc.close();
  }
}