实时wordcount程序

package gh.spark.SparkStreaming;

import java.util.Arrays;
import java.util.Iterator;
import java.util.List;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.PairFunction;
import org.apache.spark.streaming.Durations;
import org.apache.spark.streaming.api.java.JavaDStream;
import org.apache.spark.streaming.api.java.JavaPairDStream;
import org.apache.spark.streaming.api.java.JavaReceiverInputDStream;
import org.apache.spark.streaming.api.java.JavaStreamingContext;
import scala.Tuple2;


/**
 * 实时wordcount程序
 * @author Administrator
 *
 */
public class WordCount {

public static void main(String[] args) throws Exception {
// 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()
.setMaster("local[2]")
.setAppName("WordCount");

// 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 jssc = new JavaStreamingContext(conf, Durations.seconds(1));

// 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 = jssc.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>() {


private static final long serialVersionUID = 1L;


public Iterator<String> call(String line) throws Exception {
// TODO Auto-generated method stub
List<String> list = Arrays.asList(line.split(" "));
return list.iterator();
}
});

// 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> pairs = words.mapToPair(

new PairFunction<String, String, Integer>() {


private static final long serialVersionUID = 1L;


public Tuple2<String, Integer> call(String word)
throws Exception {
return new Tuple2<String, Integer>(word, 1);
}

});

// 这里，正好说明一下，用Spark Streaming开发程序，和Spark Core很像
// 唯一不同的是Spark Core中的JavaRDD、JavaPairRDD，都变成了JavaDStream、JavaPairDStream

JavaPairDStream<String, Integer> wordCounts = pairs.reduceByKey(

new Function2<Integer, Integer, Integer>() {

private static final long serialVersionUID = 1L;


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
// 大家总结一下思路，加深一下印象
// 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);  
wordCounts.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
jssc.start();
jssc.awaitTermination();
jssc.close(); 
}
}