【Spark Streaming】（二）DStream 编码实战

一、前言

从前一篇博客 【Spark Streaming】（一）架构及工作原理 🌺，我们了解到 Sprak Streaming 是属于 Saprk API 的扩展，它支持实时数据流（live data streams）的可扩展，高吞吐（hight-throughput） 容错（fault-tolerant）的流处理。可以接受来自KafKa、Flume、ZeroMQ、Kinesis 、Twitter或TCP套接字的数据源，处理的结果数据可以存储到文件系统、数据库、现场dashboards等。

二、DStream 编程模型

Dstream 是 Spark Streaming 中的高级抽象连续数据流，这个数据源可以从外部获得（如KafKa / Flume 等），也可以通过输入流获得，还可以通过在其他 DStream 上进行高级操作创建，DStream 是通过一组时间序列上连续的 RDD表示的，所以一个 DStream 可以看作是一个 RDDs 的序列。（关于 DStream 的深入了解，可看第一篇博客 ！ 🚀）

三、DStream 操作

3.1 套接字流：通过监听 Socket 端口来接收数据

通过Scala编写程序来产生一系列的字符作为输入流：

GenerateChar：

object GenerateChar {
  def generateContext(index : Int) : String = {
    import scala.collection.mutable.ListBuffer
    val charList = ListBuffer[Char]()
    for(i <- 65 to 90)
      charList += i.toChar
    val charArray = charList.toArray
    charArray(index).toString
  }
  def index = {
    import  java.util.Random
    val rdm = new Random
    rdm.nextInt(7) 
  }
  def main(args: Array[String]) {
    val listener = new ServerSocket(9998)
    while(true){
      val socket = listener.accept()
      new Thread(){
        override def run() = {
          println("Got client connected from :"+ socket.getInetAddress)
          val out = new PrintWriter(socket.getOutputStream,true)
          while(true){
            Thread.sleep(500)
            val context = generateContext(index)  //产生的字符是字母表的前七个随机字母
            println(context)
            out.write(context + '\n')
            out.flush()
          }
          socket.close()
        }
      }.start()
    }
  }
}

ScoketStreaming:

object ScoketStreaming {
  def main(args: Array[String]) {
    //创建一个本地的StreamingContext，含2个工作线程
    val conf = new SparkConf().setMaster("local[2]").setAppName("ScoketStreaming")
    val sc = new StreamingContext(conf,Seconds(10))   //每隔10秒统计一次字符总数
    //创建珍一个DStream，连接master:9998
    val lines = sc.socketTextStream("master",9998)
    val words = lines.flatMap(_.split(" "))
    val wordCounts = words.map(x => (x , 1)).reduceByKey(_ + _)
    wordCounts.print()
    sc.start()         //开始计算
    sc.awaitTermination()   //通过手动终止计算，否则一直运行下去
  }
}

运行结果：

GenerateChar 产生的数据如下：

Got client connected from :/192.168.56.137
C
G
B
C
F
G
D
G
B

ScoketStreaming 运行结果：

-------------------------------------------
Time: 1459426750000 ms
-------------------------------------------
(B,1)
(G,1)
(C,1)
-------------------------------------------
Time: 1459426760000 ms
-------------------------------------------
(B,5)
(F,3)
(D,4)
(G,3)
(C,3)
(E,1)

注意：如果是在本地运行的，setMaster 的参数必须为local[n]，n >1,官网解释：

When running a Spark Streaming program locally, do not use “local” or “local[1]” as the master URL. Either ofthese means that only one thread 
will be used for running tasks locally. If you are using a input DStream based on a receiver (e.g. sockets, Kafka, Flume, etc.), then the single 
thread will be used to run the receiver,leaving no thread for processing the received data.
 
当在本地运行Spark Streaming程序时,Master的URL不能设置为"local"或"local[1]",这两种设置都意味着你将会只有一个线程来运行作业，如果你的Input DStream基于一个接收器
（如Kafka，Flume等），那么只有一个线程来接收数据，而没有多余的线程来处理接收到的数据。

如果是在集群上运行，为 Spark streaming 应分配的核数应该在大于接收器的数据，否则同样只接收了数据而没有能力处理。

3.2 文件流

Spark Streaming 通过监控文件系统的变化，若有新文件添加，则将它读入并作为数据流

需要注意的是：

1. 这些文件具有相同的格式
2. 这些文件通过原子移动或重命名文件的方式在dataDirectory创建
3. 一旦移动这些文件，就不能再进行修改，如果在文件中追加内容，这些追加的新数据也不会被读取。

FileStreaming：

object FileStreaming {
  def main(args: Array[String]) {
    val conf = new SparkConf().setMaster("local").setAppName("FileStreaming")
    val sc = new StreamingContext(conf,Seconds(5))
    val lines = sc.textFileStream("/home/hadoop/wordCount")
    val words = lines.flatMap(_.split(" "))
    val wordCounts = words.map(x => (x , 1)).reduceByKey(_ + _)
    sc.start()
    sc.awaitTermination()
  }
}

当你在文件目录里添加文件时，Spark Streaming就会自动帮你读入并计算 ，可以读取本地目录 HDFS和其他文件系统。
注意：文件流不需要运行接收器，所以不需要分配核数

3.2 RDD队列流

使用 StreamingContext.queueStream(queueOfRDD) 创建基于 RDD队列 的 DStream ，用于调试 Spark Streaming 应用程序。 QueueStream：程序每隔1秒就创建一个RDD，Streaming每隔1秒就就对数据进行处理。

object QueueStream {
  def main(args: Array[String]) {
    val conf = new SparkConf().setMaster("local[2]").setAppName("queueStream")
    //每1秒对数据进行处理
    val ssc = new StreamingContext(conf,Seconds(1))
    //创建一个能够push到QueueInputDStream的RDDs队列
    val rddQueue = new mutable.SynchronizedQueue[RDD[Int]]()
    //基于一个RDD队列创建一个输入源
    val inputStream = ssc.queueStream(rddQueue)
    val mappedStream = inputStream.map(x => (x % 10,1))
    val reduceStream = mappedStream.reduceByKey(_ + _)
    reduceStream.print
    ssc.start()
    for(i <- 1 to 30){
      rddQueue += ssc.sparkContext.makeRDD(1 to 100, 2)   //创建RDD，并分配两个核数
      Thread.sleep(1000)                                  
    }
    ssc.stop()
  }
}

输出：

-------------------------------------------
Time: 1459595433000 ms //第1个输出
-------------------------------------------
(4,10)
(0,10)
(6,10)
(8,10)
(2,10)
(1,10)
(3,10)
(7,10)
(9,10)
(5,10)
............
............
-------------------------------------------
Time: 1459595463000 ms //第30个输出
-------------------------------------------
(4,10)
(0,10)
(6,10)
(8,10)
(2,10)
(1,10)
(3,10)
(7,10)
(9,10)
(5,10)

3.4 带状态的处理 StateFull

updateStateByKey 操作：使用updateStateByKey操作的地是为了保留key的状态，并能持续的更新；使用此功能有如下两个步骤：

1. 定义状态，这个状态可以是任意的数据类型
2. 定义状态更新函数， 指定一个函数根据之前的状态来确定如何更新状态。

同样以 wordCount 作为例子，不同的是每一次的输出都会累计之前的 wordCount

StateFull：

object StateFull {
  def main(args: Array[String]) {
    //定义状态更新函数
    val updateFunc = (values: Seq[Int], state: Option[Int]) => {
      val currentCount = values.foldLeft(0)(_ + _)
      val previousCount = state.getOrElse(0)
      Some(currentCount + previousCount)
    }
    val conf = new SparkConf().setMaster("local[2]").setAppName("stateFull")
    val sc = new StreamingContext(conf, Seconds(5))
    sc.checkpoint(".")    //设置检查点，存储位置是当前目录，检查点具有容错机制
    val lines = sc.socketTextStream("master", 9999)
    val words = lines.flatMap(_.split(" "))
    val wordDstream = words.map(x => (x, 1))
    val stateDstream = wordDstream.updateStateByKey[Int](updateFunc)
    stateDstream.print()
    sc.start()
    sc.awaitTermination()
  }
}

先运行之前 GenerateChar 来产生字母，再运行 StateFull，结果如下：

-------------------------------------------
Time: 1459597690000 ms
-------------------------------------------
(B,3)
(F,1)
(D,1)
(G,1)
(C,1)
-------------------------------------------
Time: 1459597700000 ms //会累计之前的值
-------------------------------------------
(B,5)
(F,3)
(D,4)
(G,4)
(A,2)
(E,5)
(C,4)

Spark Straming 最大的优点在于处理数据采用的是粗粒度的处理方式（一次处理一小批的数据），这种特性也更方便地实现容错恢复机制，其 DStream 是在 RDD 上的高级抽象，所以其极容易与 RDD 进行互操作，所以在下一篇博客，我将会详细讲解下 DStream 算子操作 🌞。