SparkStreaming（一）基础知识

最新推荐文章于 2022-05-09 10:40:55 发布

A Mr Yang

最新推荐文章于 2022-05-09 10:40:55 发布

阅读量468

点赞数

文章标签： spark 大数据

本文链接：https://blog.csdn.net/Mr_YXX/article/details/105033815

版权

本文介绍了Spark Streaming的基本概念，包括DStream的原理、数据输入源和接收器，以及DStream的输出操作。DStream作为核心抽象，是连续数据流的表示，由一系列RDD组成。文章探讨了如何通过basic和advanced sources创建Input DStream，并讲解了不同类型的输出操作，如saveAsTextFiles、saveAsObjectFiles和foreachRDD。

摘要由CSDN通过智能技术生成

一、概述

Spark Streaming是Spark Core功能拓展，可以实现数据流的可扩展、高吞吐、容错处理。SparkStreaming处理的数据可以来源于多种数据源（如:Kafka、Flume、TCP套接字），这些数据流经过流式计算的复杂处理和加工，最终会将计算的结果存储到文件系统、数据库或者在仪表盘进行数据的实时展示。
在这里插入图片描述
在内部，SparkStreaming会将接受的流数据拆分为一个个批次数据（micro batch），通过Spark引擎处理微批RDD，产生最终的结果流。

在Spark Streaming中有一个高等级的抽象称为离散流或者DStream。DStream可以通过外部的数据源构建或者转换获得新的DStream(类似于Spark RDD的使用)；

结论：DStream底层是由Seq[RDD]序列构成

二、DStream离散流原理

DStream是Spark Streaming中最为核心的抽象，表现为一段连续的数据流（本质上是一组连续的RDD的序列集合），一个DStream中的一个RDD含有一个固定间隔的数据集。
在这里插入图片描述
应用在DStream上的任何操作底层都会转换为RDD的操作。

核心思想：微批思想，底层使用spark rdd处理离散数据流

三、Input Source和Receivers

Input DStream表示从数据源接受的数据构建的DStream对象
构建Input DStream两种方式：

basic source：通常不依赖第三方的依赖可以通过ssc直接创建，如：filesystem和socket
advanced source：通常需要集成第三方依赖，如：kafka、flume其它流数据存储系统

basic source(基本数据源)：

文件系统创建（使用HDFS API从任意的文件系统读取文件目录数据，作为DStream数据源）

// 通过文件系统构建DStream 注意：路径指向一个目录而不是一个具体的文件
val lines = ssc.textFileStream("hdfs://xxx:9000/data")

注意：

路径是一个目录，不是具体的文件

数据目录支持通配符，如：hdfs://xxx:9000/data*;

数据文件格式必须保证统一，建议文本类型

TCP Socket套接字

val lines = ssc.socketTextStream("localhost",8888)

RDD Queue(RDD队列，可以将多个RDD存放到一个Queue队列中构建DStream)

// 注意：ssc中封装了sparkContext可以直接获取 无需手动创建
val rdd1 = ssc.sparkContext.makeRDD(List("Hello Spark","Hello Kafka"))
val rdd2 = ssc.sparkContext.makeRDD(List("Hello Scala","Hello Hadoop"))

// 通过Queue封装RDD，创建一个DStream
val queue = scala.collection.mutable.Queue(rdd1,rdd2)
val lines = ssc.queueStream(queue)

advanced source(高级数据源)：

基于kafka
(1).导入依赖

<dependency>
   <groupId>org.apache.spark</groupId>
   <artifactId>spark-streaming-kafka-0-10_2.11</artifactId>
   <version>2.4.4</version>
</dependency>

(2).开发应用

package source

import org.apache.kafka.clients.consumer.{
   ConsumerConfig}
import org.apache.kafka.common.serialization.StringDeserializer
import org.apac