Spark Streaming

Spark Streaming概述

Spark Streaming是对于Spark core API的拓展（因为是基于Spark core，所以安装完Spark就能直接使用Spark Streaming），从而支持对于实时数据流的可拓展，高吞吐量和容错性流处理。数据可以由多个源取得，例如：Kafka，Flume，Twitter，ZeroMQ，Kinesis或者TCP接口，同时可以使用由如map，reduce，join和window这样的高层接口描述的复杂算法进行处理。最终，处理过的数据可以被推送到文件系统，数据库和实时屏幕。实际上，您可以在数据流上应用Spark的 机器学习和 图形处理算法。

在内部，它的工作方式如下。Spark Streaming接收实时输入数据流，并将数据分成批处理，然后由Spark引擎进行处理，以生成批处理的最终结果流。

Spark Streaming提供了称为离散流或DStream的高级抽象，它表示连续的数据流。可以根据来自Kafka，Flume和Kinesis等来源的输入数据流来创建DStream，也可以通过对其他DStream应用高级操作来创建DStream。在内部，DStream表示为一系列的RDD 。

常用实时流处理框架：Strom，Spark Streaming，Flink，Kafka Stream

Strom和SparkStreaming的对比：

   1).Strom是真正意义上的的流处理，时延相比SparkStreaming较低，而SparkStremming是将接受的实时流数据，按照指定的时间间隔拆成一个个RDD，在每个RDD中以批处理的形式处理数据。本质上还是批处理。

   2).Storm会通过messageId的方式全局追踪和记录每一条记录,并通过ack/fail机制确保每条数据至少被处理一次（也可能是多次），而SparkStream应用程序只需要批处理级别对记录进行追踪，他能保证每个批处理记录仅仅被处理一次。

  3).由于SparkStreming是运行在Spark平台上的无需单独安装，可以和批处理SparkSql，机器学习等其他其框架结合起来使用。
 

核心概念

初始化StreamingContext

要初始化Spark Streaming程序，必须创建StreamingContext对象，该对象是所有Spark Streaming功能的主要入口点。

pyspark.streaming的StreamingContext对象可以从被创建SparkContext对象。

from pyspark import SparkContext
from pyspark.streaming import StreamingContext

sc = SparkContext(master, appName)
ssc = StreamingContext(sc, 1)

该appName参数是您的应用程序显示在集群UI上的名称。 master是Spark，Mesos或YARN群集URL或特殊的“ local [*]”字符串，以在本地模式下运行。实际上，当在集群上运行时，您将不希望master在程序中进行硬编码，而是在其中启动应用程序spark-submit并在其中接收。但是，对于本地测试和单元测试，您可以传递“ local [*]”以在内部运行Spark Streaming（检测本地系统中的内核数）。

必须根据应用程序的延迟要求和可用的群集资源来设置批处理间隔。有关 更多详细信息，请参见性能调整部分。

定义上下文后，必须执行以下操作。

1. 通过创建输入DStream定义输入源。
2. 通过将转换和输出操作应用于DStream来定义流计算。
3. 开始接收数据并使用进行处理streamingContext.start()。
4. 等待使用停止处理（手动或由于任何错误）streamingContext.awaitTermination()。
5. 可以使用手动停止处理streamingContext.stop()。

要记住的要点：

• 一旦启动上下文，就无法设置新的流计算或将其添加到该流计算中。
• 上下文一旦停止，就无法重新启动。
• JVM中只能同时激活一个StreamingContext。
• StreamingContext上的stop（）也会停止SparkContext。要仅停止的StreamingContext，设置可选的参数stop()叫做stopSparkContext假。
• 只要在创建下一个StreamingContext之前停止（不停止SparkContext）上一个StreamingContext，即可将SparkContext重新用于创建多个StreamingContext。 

Discretized Streams (DStreams) 

Discretized Streams或DStream是Spark Streaming提供的基本抽象。它表示连续的数据流，可以是从源接收的输入数据流，也可以是通过转换输入流生成的已处理数据流。在内部，DStream由一系列连续的RDD表示，这是Spark对不可变的分布式数据集的抽象（有关更多详细信息，请参见Spark编程指南）。DStream中的每个RDD都包含来自特定间隔的数据，如下图所示。

在DStream上执行的任何操作都转换为对基础RDD的操作。例如，在较早的将行流转换为单词的示例中，将flatMap操作应用于linesDStream中的每个RDD 以生成DStream的 wordsRDD。如下图所示。

这些基础的RDD转换由Spark引擎计算。DStream操作隐藏了大多数这些细节，并为开发人员提供了更高级别的API，以方便使用。这些操作将在后面的部分中详细讨论。 

---

案例实战

可以参考这个老哥的博客，Spark学习实例(Python)：输入源实时处理 Input Sources Streaming

api使用方法可以查看文档 http://spark.apache.org/docs/latest/api/python/pyspark.streaming.html

from pyspark import SparkContext
from pyspark.streaming import StreamingContext

sc = SparkContext(appName="inputSourceStreaming", master="local[4]")
ssc = StreamingContext(sc, 5)

# lines=ssc.textFileStream("file:///opt/datas/ss")
"""textFileStream（目录）
    创建一个输入流，该流监视与Hadoop兼容的文件系统中的新文件，
    并将其读取为文本文件。必须通过从同一文件系统中的其他位置“移动”文件来将文件写入受监视的目录。
    文件名以.开头被忽略。"""

lines = ssc.socketTextStream("localhost", 9998)
"""您首先需要通过使用以下命令将Netcat（在大多数类Unix系统中找到的一个小实用程序）作为数据服务器运行

    $ nc -lk 9999"""

counts=lines.flatMap(lambda x:x.split(" ")).map(lambda x:(x,1)).reduceByKey(lambda a,b:a+b)
counts.pprint()

ssc.start()
ssc.awaitTermination()