Spark Streaming-DStreams的output操作以及foreachRDD详解

一 output操作概览

二 output操作

DStream中的所有计算，都是由output操作触发的，比如print()。如果没有任何output操作，那么压根儿就不会执行定义的计算逻辑。

此外，即使你使用了foreachRDD output操作，也必须在里面对RDD执行action操作，才能触发对每一个batch的计算逻辑。否则，光有foreachRDD output操作，在里面没有对RDD执行action操作，也不会触发任何逻辑。 

三 foreachRDD详解

通常在foreachRDD中，都会创建一个Connection，比如JDBC Connection，然后通过Connection将数据写入外部存储。

1、误区一：在RDD的foreach操作外部，创建Connection

这种方式是错误的，因为它会导致Connection对象被序列化后传输到每个Task中。而这种Connection对象，实际上一般是不支持序列化的，也就无法被传输。

dstream.foreachRDD { rdd =>
  val connection = createNewConnection() 
  rdd.foreach { record => connection.send(record)
  }
}

2、误区二：在RDD的foreach操作内部，创建Connection

这种方式是可以的，但是效率低下。因为它会导致对于RDD中的每一条数据，都创建一个Connection对象。而通常来说，Connection的创建，是很消耗性能的。

dstream.foreachRDD { rdd =>
  rdd.foreach { record =>
    val connection = createNewConnection()
    connection.send(record)
    connection.close()
  }
}

3、合理方式一：使用RDD的foreachPartition操作

使用RDD的foreachPartition操作，并且在该操作内部，创建Connection对象，这样就相当于是，为RDD的每个partition创建一个Connection对象，节省资源的多了。

dstream.foreachRDD { rdd =>
  rdd.foreachPartition { partitionOfRecords =>
    val connection = createNewConnection()
    partitionOfRecords.foreach(record => connection.send(record))
    connection.close()
  }
}

4、合理方式二：使用连接池

封装一个静态连接池，使用RDD的foreachPartition操作，并且在该操作内部，从静态连接池中，通过静态方法，获取到一个连接，使用之后再还回去。这样的话，甚至在多个RDD的partition之间，也可以复用连接了。而且可以让连接池采取懒创建的策略，并且空闲一段时间后，将其释放掉。

四 实战

1、手动写一个静态连接池

/**
 * 简易版的连接池
 * 
 * @author Administrator
 *
 */
public class ConnectionPool {

  // 静态的Connection队列
  private static LinkedList<Connection> connectionQueue;

  /**
   * 加载驱动
   */
  static {
    try {
      Class.forName("com.mysql.jdbc.Driver");
    } catch (ClassNotFoundException e) {
      e.printStackTrace();
    }
  }

  /**
   * 获取连接，多线程访问并发控制
   * 
   * @return
   */
  public synchronized static Connection getConnection() {
    try {
      if (connectionQueue == null) {
        connectionQueue = new LinkedList<Connection>();
        for (int i = 0; i < 10; i++) {
          Connection conn = DriverManager.getConnection("jdbc:mysql://spark1:3306/testdb", "", "");
          connectionQueue.push(conn);
        }
      }
    } catch (Exception e) {
      e.printStackTrace();
    }
    return connectionQueue.poll();
  }

  /**
   * 还回去一个连接
   */
  public static void returnConnection(Connection conn) {
    connectionQueue.push(conn);
  }

}

2、foreachRDD操作实例

/**
 * 基于持久化机制的实时wordcount程序
 * 
 * @author Administrator
 *
 */
public class PersistWordCount {

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

    // 开启checkpoint机制
    jssc.checkpoint("hdfs://spark1:9000/wordcount_checkpoint");

    JavaReceiverInputDStream<String> lines = jssc.socketTextStream("spark1", 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);
          }

        });

    JavaPairDStream<String, Integer> wordCounts = pairs.updateStateByKey(

        new Function2<List<Integer>, Optional<Integer>, Optional<Integer>>() {

          private static final long serialVersionUID = 1L;

          @Override
          public Optional<Integer> call(List<Integer> values, Optional<Integer> state)
              throws Exception {
            Integer newValue = 0;

            if (state.isPresent()) {
              newValue = state.get();
            }

            for (Integer value : values) {
              newValue += value;
            }

            return Optional.of(newValue);
          }

        });

    // 每次得到当前所有单词的统计次数之后，将其写入mysql存储，进行持久化，以便于后续的J2EE应用程序
    // 进行显示
    wordCounts.foreachRDD(new Function<JavaPairRDD<String, Integer>, Void>() {

      private static final long serialVersionUID = 1L;

      @Override
      public Void call(JavaPairRDD<String, Integer> wordCountsRDD) throws Exception {
        // 调用RDD的foreachPartition()方法
        wordCountsRDD.foreachPartition(new VoidFunction<Iterator<Tuple2<String, Integer>>>() {

          private static final long serialVersionUID = 1L;

          @Override
          public void call(Iterator<Tuple2<String, Integer>> wordCounts) throws Exception {
            // 给每个partition，获取一个连接
            Connection conn = ConnectionPool.getConnection();

            // 遍历partition中的数据，使用一个连接，插入数据库
            Tuple2<String, Integer> wordCount = null;
            while (wordCounts.hasNext()) {
              wordCount = wordCounts.next();

              String sql = "insert into wordcount(word,count) " + "values('" + wordCount._1 + "',"
                  + wordCount._2 + ")";

              Statement stmt = conn.createStatement();
              stmt.executeUpdate(sql);
            }

            // 用完以后，将连接还回去
            ConnectionPool.returnConnection(conn);
          }
        });

        return null;
      }

    });

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

}