在实时流式应用中,最典型的应用场景:网站UV统计。
- 业务需求一:实时统计网站UV,比如每日网站UV;
- 业务需求二:统计最近一段时间(比如一个小时)网站UV,可以设置水位Watermark;
在SparkStreaming或Flink框架中要想实现【网站UV统计】需要借助于外部存储系统,比如Redis内存数据库或者HBase列式存储数据库,存储UserId,利用数据库特性去重,最后进行count。
Structured Streaming可以使用deduplication对有无Watermark的流式数据进行去重操作:
- 第一、无 Watermark:对重复记录到达的时间没有限制。查询会保留所有的过去记录作为状态用于去重;
- 第二、有 Watermark:对重复记录到达的时间有限制。查询会根据水印删除旧的状态数据;
官方提供示例代码如下:
演示范例:对网站用户日志数据,按照userId和eventType去重统计,网站代码如下。
package com.erainm.spark.de