Spark Streaming-与Spark SQL结合

Spark Streaming最强大的地方在于可以与Spark Core、Spark SQL整合使用，之前已经通过transform、foreachRDD等算子看到，如何将DStream中的RDD使用Spark Core执行批处理操作。现在就来看看，如何将DStream中的RDD与Spark SQL结合起来使用。

案例：每隔10秒，统计最近60秒的，每个种类的每个商品的点击次数，然后统计出每个种类top3热门的商品。

/**
 * 与Spark SQL整合使用，top3热门商品实时统计
 * 
 * @author Administrator
 *
 */
public class Top3HotProduct {

  public static void main(String[] args) {
    SparkConf conf = new SparkConf().setMaster("local[2]").setAppName("Top3HotProduct");
    JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(1));

    // 首先看一下，输入日志的格式
    // leo iphone mobile_phone

    // 首先，获取输入数据流
    JavaReceiverInputDStream<String> productClickLogsDStream = jssc.socketTextStream("spark1",
        9999);

    // 然后，应该是做一个映射，将每个种类的每个商品，映射为(category_product, 1)的这种格式
    // 从而在后面可以使用window操作，对窗口中的这种格式的数据，进行reduceByKey操作
    // 从而统计出来，一个窗口中的每个种类的每个商品的，点击次数
    JavaPairDStream<String, Integer> categoryProductPairsDStream = productClickLogsDStream
        .mapToPair(new PairFunction<String, String, Integer>() {

          private static final long serialVersionUID = 1L;

          @Override
          public Tuple2<String, Integer> call(String productClickLog) throws Exception {
            String[] productClickLogSplited = productClickLog.split(" ");
            return new Tuple2<String, Integer>(
                productClickLogSplited[2] + "_" + productClickLogSplited[1], 1);
          }

        });

    // 然后执行window操作
    // 到这里，就可以做到，每隔10秒钟，对最近60秒的数据，执行reduceByKey操作
    // 计算出来这60秒内，每个种类的每个商品的点击次数
    JavaPairDStream<String, Integer> categoryProductCountsDStream = categoryProductPairsDStream
        .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));

    // 然后针对60秒内的每个种类的每个商品的点击次数
    // foreachRDD，在内部，使用Spark SQL执行top3热门商品的统计
    categoryProductCountsDStream.foreachRDD(new Function<JavaPairRDD<String, Integer>, Void>() {

      private static final long serialVersionUID = 1L;

      @Override
      public Void call(JavaPairRDD<String, Integer> categoryProductCountsRDD) throws Exception {
        // 将该RDD，转换为JavaRDD<Row>的格式
        JavaRDD<Row> categoryProductCountRowRDD = categoryProductCountsRDD.map(

            new Function<Tuple2<String, Integer>, Row>() {

              private static final long serialVersionUID = 1L;

              @Override
              public Row call(Tuple2<String, Integer> categoryProductCount) throws Exception {
                String category = categoryProductCount._1.split("_")[0];
                String product = categoryProductCount._1.split("_")[1];
                Integer count = categoryProductCount._2;
                return RowFactory.create(category, product, count);
              }

            });

        // 然后，执行DataFrame转换
        List<StructField> structFields = new ArrayList<StructField>();
        structFields.add(DataTypes.createStructField("category", DataTypes.StringType, true));
        structFields.add(DataTypes.createStructField("product", DataTypes.StringType, true));
        structFields.add(DataTypes.createStructField("click_count", DataTypes.IntegerType, true));
        StructType structType = DataTypes.createStructType(structFields);

        HiveContext hiveContext = new HiveContext(categoryProductCountsRDD.context());

        DataFrame categoryProductCountDF = hiveContext.createDataFrame(categoryProductCountRowRDD,
            structType);

        // 将60秒内的每个种类的每个商品的点击次数的数据，注册为一个临时表
        categoryProductCountDF.registerTempTable("product_click_log");

        // 执行SQL语句，针对临时表，统计出来每个种类下，点击次数排名前3的热门商品
        DataFrame top3ProductDF = hiveContext.sql("SELECT category,product,click_count " + "FROM ("
            + "SELECT " + "category," + "product," + "click_count,"
            + "row_number() OVER (PARTITION BY category ORDER BY click_count DESC) rank "
            + "FROM product_click_log" + ") tmp " + "WHERE rank<=3");

        // 这里说明一下，其实在企业场景中，可以不是打印的
        // 案例说，应该将数据保存到redis缓存、或者是mysql db中
        // 然后，应该配合一个J2EE系统，进行数据的展示和查询、图形报表

        top3ProductDF.show();

        return null;
      }

    });

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

}