SparkStreaming_Dstream入门

1 WordCount案例实操

1．需求：使用netcat工具向9999端口不断的发送数据，通过SparkStreaming读取端口数据并统计不同单词出现的次数

2．添加依赖

<dependency>

    <groupId>org.apache.spark</groupId>

    <artifactId>spark-streaming_2.11</artifactId>

    <version>2.1.1</version>

</dependency>

3．编写代码

import org.apache.spark.streaming.dstream.{DStream, ReceiverInputDStream}

import org.apache.spark.streaming.{Seconds, StreamingContext}

import org.apache.spark.SparkConf

 

object StreamWordCount {

 

  def main(args: Array[String]): Unit = {

 

    //1.初始化Spark配置信息

    val sparkConf = new SparkConf().setMaster("local[*]").setAppName("StreamWordCount")

 

    //2.初始化SparkStreamingContext

    val ssc = new StreamingContext(sparkConf, Seconds(5))

 

    //3.通过监控端口创建DStream，读进来的数据为一行行

    val lineStreams = ssc.socketTextStream("hadoop102", 9999)

 

    //将每一行数据做切分，形成一个个单词

    val wordStreams = lineStreams.flatMap(_.split(" "))

 

    //将单词映射成元组（word,1）

    val wordAndOneStreams = wordStreams.map((_, 1))

 

    //将相同的单词次数做统计

    val wordAndCountStreams = wordAndOneStreams.reduceByKey(_+_)

 

    //打印

    wordAndCountStreams.print()

 

    //启动SparkStreamingContext

    ssc.start()

    ssc.awaitTermination()

  }

}

4．启动程序并通过NetCat发送数据：

[atguigu@hadoop102 spark]$ nc -lk 9999

hello atguigu

注意：如果程序运行时，log日志太多，可以将spark conf目录下的log4j文件里面的日志级别改成WARN。

 

2 WordCount解析

Discretized Stream是Spark Streaming的基础抽象，代表持续性的数据流和经过各种Spark原语操作后的结果数据流。在内部实现上，DStream是一系列连续的RDD来表示。每个RDD含有一段时间间隔内的数据，如下图：

对数据的操作也是按照RDD为单位来进行的

计算过程由Spark engine来完成