Spark Streaming-window滑动窗口以及热点搜索词滑动统计案例实战

Spark Streaming提供了滑动窗口操作的支持，从而让我们可以对一个滑动窗口内的数据执行计算操作。每次掉落在窗口内的RDD的数据，会被聚合起来执行计算操作，然后生成的RDD作为window DStream的一个RDD。比如下图中，就是对每三秒钟的数据执行一次滑动窗口计算，这3秒内的3个RDD会被聚合起来进行处理，然后过了两秒钟，又会对最近三秒内的数据执行滑动窗口计算。所以每个滑动窗口操作，都必须指定两个参数，窗口长度以及滑动间隔，而且这两个参数值都必须是batch间隔的整数倍。

window滑动窗口操作： 

案例：热点搜索词滑动统计，每隔10秒钟，统计最近60秒钟的搜索词的搜索频次，并打印出排名最靠前的3个搜索词以及出现次数。

/**
 * 基于滑动窗口的热点搜索词实时统计
 * 
 * @author Administrator
 *
 */
public class WindowHotWord {
  public static void main(String[] args) {
    SparkConf conf = new SparkConf().setMaster("local[2]").setAppName("WindowHotWord");
    JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(1));

    // 说明一下，这里的搜索日志的格式（name searchWord）
    JavaReceiverInputDStream<String> searchLogsDStream = jssc.socketTextStream("spark1", 9999);

    // 将搜索日志给转换成，只有一个搜索词，即可
    JavaDStream<String> searchWordsDStream = searchLogsDStream.map(new Function<String, String>() {

      private static final long serialVersionUID = 1L;

      @Override
      public String call(String searchLog) throws Exception {
        return searchLog.split(" ")[1];
      }

    });

    // 将搜索词映射为(searchWord, 1)的tuple格式
    JavaPairDStream<String, Integer> searchWordPairDStream = searchWordsDStream.mapToPair(

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

          private static final long serialVersionUID = 1L;

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

        });

    // 针对(searchWord, 1)的tuple格式的DStream，执行reduceByKeyAndWindow，滑动窗口操作
    // 第二个参数，是窗口长度，这里是60秒
    // 第三个参数，是滑动间隔，这里是10秒
    // 也就是说，每隔10秒钟，将最近60秒的数据，作为一个窗口，进行内部的RDD的聚合，然后统一对一个RDD进行后续计算
    // 所以说，这里的意思就是之前的searchWordPairDStream为止，其实都是不会立即进行计算的
    // 而是只是放在那里
    // 然后，等待我们的滑动间隔到了以后，10秒钟到了，会将之前60秒的RDD，因为一个batch间隔是，5秒，所以之前
    // 60秒，就有12个RDD，给聚合起来，然后，统一执行redcueByKey操作
    // 所以这里的reduceByKeyAndWindow，是针对每个窗口执行计算的，而不是针对某个DStream中的RDD
    JavaPairDStream<String, Integer> searchWordCountsDStream =

        searchWordPairDStream.reduceByKeyAndWindow(new Function2<Integer, Integer, Integer>() {

          private static final long serialVersionUID = 1L;

          @Override
          public Integer call(Integer v1, Integer v2) throws Exception {
            return v1 + v2;
          }

        }, Durations.seconds(60), Durations.seconds(10));

    // 到这里为止，就已经可以做到，每隔10秒钟，出来，之前60秒的收集到的单词的统计次数
    // 执行transform操作，因为，一个窗口，就是一个60秒钟的数据，会变成一个RDD，然后，对这一个RDD
    // 根据每个搜索词出现的频率进行排序，然后获取排名前3的热点搜索词
    JavaPairDStream<String, Integer> finalDStream = searchWordCountsDStream.transformToPair(

        new Function<JavaPairRDD<String, Integer>, JavaPairRDD<String, Integer>>() {

          private static final long serialVersionUID = 1L;

          @Override
          public JavaPairRDD<String, Integer> call(JavaPairRDD<String, Integer> searchWordCountsRDD)
              throws Exception {
            // 执行搜索词和出现频率的反转
            JavaPairRDD<Integer, String> countSearchWordsRDD = searchWordCountsRDD
                .mapToPair(new PairFunction<Tuple2<String, Integer>, Integer, String>() {

                  private static final long serialVersionUID = 1L;

                  @Override
                  public Tuple2<Integer, String> call(Tuple2<String, Integer> tuple)
                      throws Exception {
                    return new Tuple2<Integer, String>(tuple._2, tuple._1);
                  }
                });

            // 然后执行降序排序
            JavaPairRDD<Integer, String> sortedCountSearchWordsRDD = countSearchWordsRDD
                .sortByKey(false);

            // 然后再次执行反转，变成(searchWord, count)的这种格式
            JavaPairRDD<String, Integer> sortedSearchWordCountsRDD = sortedCountSearchWordsRDD
                .mapToPair(new PairFunction<Tuple2<Integer, String>, String, Integer>() {

                  private static final long serialVersionUID = 1L;

                  @Override
                  public Tuple2<String, Integer> call(Tuple2<Integer, String> tuple)
                      throws Exception {
                    return new Tuple2<String, Integer>(tuple._2, tuple._1);
                  }

                });

            // 然后用take()，获取排名前3的热点搜索词
            List<Tuple2<String, Integer>> hogSearchWordCounts = sortedSearchWordCountsRDD.take(3);
            for (Tuple2<String, Integer> wordCount : hogSearchWordCounts) {
              System.out.println(wordCount._1 + ": " + wordCount._2);
            }

            return searchWordCountsRDD;
          }

        });

    // 这个无关紧要，只是为了触发job的执行，所以必须有output操作
    finalDStream.print();

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