安装nc工具
yum install nc
使用 nc -lk 端口号
开发实时wordcount程序
Java版本
public class WordCount {
public static void main(String[] args) throws InterruptedException {
// 创建SparkConf对象,但是这里有一点不同,我们是要给它设置一个Master属性,但是我们测试的时候使用local模式
// local后面必须跟一个方括号,里面填写一个数字,数字代表了,我们用几个线程来执行我们的Spark Streaming程序
SparkConf conf = new SparkConf().setAppName("WordCountStreamJava").setMaster("local[2]");
// 创建JavaStreamingContext对象,该对象,就类似于Spark Core中的JavaSparkContext,就类似于Spark SQL中的SQLContext
// 该对象除了接收SparkConf对象对象之外,还必须接收一个batch interval参数,就是说,每收集多长时间的数据,划分为一个batch,进行处理
// 这里设置一秒
JavaStreamingContext javaStreamingContext = new JavaStreamingContext(conf, Durations.seconds(10));
// 首先,创建输入DStream,代表了一个从数据源(比如kafka、socket)来的持续不断的实时数据流
// 调用JavaStreamingContext的socketTextStream()方法,可以创建一个数据源为Socket网络端口的
// 数据流,JavaReceiverInputStream,代表了一个输入的DStream
// socketTextStream()方法接收两个基本参数,第一个是监听哪个主机上的端口,第二个是监听哪个端口
JavaReceiverInputDStream<String> lines = javaStreamingContext.socketTextStream("localhost", 9999);
// 到这里为止,你可以理解为JavaReceiverInputDStream中的,每隔一秒,会有一个RDD,其中封装了
// 这一秒发送过来的数据
// RDD的元素类型为String,即一行一行的文本
// 所以,这里JavaReceiverInputStream的泛型类型<String>,其实就代表了它底层的RDD的泛型类型
// 开始对接收到的数据,执行计算,使用Spark Core提供的算子,执行应用在DStream中即可
// 在底层,实际上是会对DStream中的一个一个的RDD,执行我们应用在DStream上的算子
// 产生的新RDD,会作为新DStream中的RDD
JavaDStream<String> words = lines.flatMap(new FlatMapFunction<String, String>() {
@Override
public Iterable<String> call(String s) throws Exception {
return Arrays.asList(s.split(" "));
}
});
// 这个时候,每秒的数据,一行一行的文本,就会被拆分为多个单词,words DStream中的RDD的元素类型
// 即为一个一个的单词
// 接着,开始进行flatMap、reduceByKey操作
JavaPairDStream<String, Integer> wordsInteger = words.mapToPair(new PairFunction<String, String, Integer>() {
@Override
public Tuple2<String, Integer> call(String s) throws Exception {
return new Tuple2<>(s, 1);
}
});
// 这里,正好说明一下,其实大家可以看到,用Spark Streaming开发程序,和Spark Core很相像
// 唯一不同的是Spark Core中的JavaRDD、JavaPairRDD,都变成了JavaDStream、JavaPairDStream
JavaPairDStream<String, Integer> result = wordsInteger.reduceByKey(new Function2<Integer, Integer, Integer>() {
@Override
public Integer call(Integer v1, Integer v2) throws Exception {
return v1 + v2;
}
});
// 到此为止,我们就实现了实时的wordcount程序了
// 每秒中发送到指定socket端口上的数据,都会被lines DStream接收到
// 然后lines DStream会把每秒的数据,也就是一行一行的文本,诸如hell world,封装为一个RDD
// 然后呢,就会对每秒中对应的RDD,执行后续的一系列的算子操作
// 比如,对lins RDD执行了flatMap之后,得到一个words RDD,作为words DStream中的一个RDD
// 以此类推,直到生成最后一个,wordCounts RDD,作为wordCounts DStream中的一个RDD
// 此时,就得到了,每秒钟发送过来的数据的单词统计
// 但是,一定要注意,Spark Streaming的计算模型,就决定了,我们必须自己来进行中间缓存的控制
// 比如写入redis等缓存
// 它的计算模型跟Storm是完全不同的,storm是自己编写的一个一个的程序,运行在节点上,相当于一个
// 一个的对象,可以自己在对象中控制缓存
// 但是Spark本身是函数式编程的计算模型,所以,比如在words或pairs DStream中,没法在实例变量中
// 进行缓存
// 此时就只能将最后计算出的wordCounts中的一个一个的RDD,写入外部的缓存,或者持久化DB
// 最后,每次计算完,都打印一下这一秒钟的单词计数情况
// 并休眠5秒钟,以便于我们测试和观察
Thread.sleep(5000);
result.print();
// 首先对JavaSteamingContext进行一下后续处理
// 必须调用JavaStreamingContext的start()方法,整个Spark Streaming Application才会启动执行
// 否则是不会执行的
javaStreamingContext.start();
javaStreamingContext.awaitTermination();
javaStreamingContext.close();
}
}
Scala版本
object wordCount {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName("wordCountScala").setMaster("local[2]")
val streamingContext = new StreamingContext(conf,Seconds(10))
val lines = streamingContext.socketTextStream("localhost", 9999)
val words = lines.flatMap(line => line.split(" "))
val wordNumbers = words.map(word => (word, 1))
val result = wordNumbers.reduceByKey(_ + _)
result.print()
streamingContext.start()
streamingContext.awaitTermination()
}
}