基于案例贯通 Spark Streaming 流计算框架的运行源码

最新推荐文章于 2022-04-16 10:55:55 发布

二府村

最新推荐文章于 2022-04-16 10:55:55 发布

阅读量1.6k

点赞数

分类专栏： SparkDream 文章标签： spark 框架

本文链接：https://blog.csdn.net/erfucun/article/details/52343957

版权

SparkDream 专栏收录该内容

8 篇文章 0 订阅

订阅专栏

本博文主要内容包括：

1 在线动态计算分类分类最热门商品案例回顾与演示
2 基于案例贯穿Spark Streaming的运行源码

一：在线动态计算分类最热门商品案例代码：

import com.robinspark.utils.ConnectionPool
 import org.apache.spark.SparkConf
 import org.apache.spark.sql.Row
 import org.apache.spark.sql.hive.HiveContext
 import org.apache.spark.sql.types.{IntegerType, StringType, StructField, StructType}
 import org.apache.spark.streaming.{Seconds, StreamingContext}

 /**
   * 使用Spark Streaming+Spark SQL来在线动态计算电商中不同类别中最热门的商品排名，例如手机这个类别下面最热门的三种手机，电视这个类别
  * 下最热门的三种电视，该实例在实际生产环境下具有非常重大的意义；
  *
  *   实现技术：Spark Streaming+Spark SQL，之所以Spark Streaming能够使用ML、sql、graphx等功能是因为有foreachRDD和Transform
   * 等接口，这些接口中其实是基于RDD进行操作，所以以RDD为基石，就可以直接使用Spark其它所有的功能，就像直接调用API一样简单。
  *  假设说这里的数据的格式：user item category，例如Rocky Samsung Android
   */
 object OnlineTheTop3ItemForEachCategory2DB {
   def main(args: Array[String]){
     /**
       * 第1步：创建Spark的配置对象SparkConf，设置Spark程序的运行时的配置信息，
       */
     val conf = new SparkConf() //创建SparkConf对象
    conf.setAppName("OnlineTheTop3ItemForEachCategory2DB") //设置应用程序的名称，在程序运行的监控界面可以看到名称
    conf.setMaster("spark://Master:7077") //此时，程序在Spark集群
    //conf.setMaster("local[2]")
     //设置batchDuration时间间隔来控制Job生成的频率并且创建Spark Streaming执行的入口
    val ssc = new StreamingContext(conf, Seconds(5))

     ssc.checkpoint("/root/Documents/SparkApps/checkpoint")

     val userClickLogsDStream = ssc.socketTextStream("Master", 9999)

//假设说这里的数据的格式：user item category，例如Rocky Samsung Android item + 商品进行计数 ： map之后是个数组
     val formattedUserClickLogsDStream = userClickLogsDStream.map(clickLog =>
         (clickLog.split(" ")(2) + "_" + clickLog.split(" ")(1), 1))

 //    val categoryUserClickLogsDStream = formattedUserClickLogsDStream.reduceByKeyAndWindow((v1:Int, v2: Int) => v1 + v2,
 //      (v1:Int, v2: Int) => v1 - v2, Seconds(60), Seconds(20))
//每隔20秒更新一次，任意商品过去60秒钟被点击了多少次
     val categoryUserClickLogsDStream = formattedUserClickLogsDStream.reduceByKeyAndWindow(_+_,
       _-_, Seconds(60), Seconds(20))

//结合SparkSQL就得使用foreachRDD的方式
     categoryUserClickLogsDStream.foreachRDD { rdd => {
       if (rdd.isEmpty()) {
         println("No data inputted!!!")
       } else {
//这里RDD是窗口级别的，把许多RDD联合在一块，我们得到的是Tuple，过去60秒钟每种商品item被点击的次数。
         val categoryItemRow = rdd.map(reducedItem => {
         //key是类别+Item，value就是它总共出现多少次
           val category = reducedItem._1.split("_")(0)
           val item = reducedItem._1.split("_")(1)
           val click_count = reducedItem._2
           Row(category, item, click_count)
         })

         val structType = StructType(Array(
           StructField("category", StringType, true),
           StructField("item", StringType, true),
           StructField("click_count", IntegerType, true)
         ))

//rdd也有依赖上下文
         val hiveContext = new HiveContext(rdd.context)

         val categoryItemDF = hiveContext.createDataFrame(categoryItemRow, structType)

         categoryItemDF.registerTempTable("categoryItemTable")
//里面必须用到开窗函数row_number()分类PARTITION BY，子查询 subquery
         val reseltDataFram = hiveContext.sql("SELECT category,item,click_count FROM (SELECT category,item,click_count,row_number()" +
           " OVER (PARTITION BY category ORDER BY click_count DESC) rank FROM categoryItemTable) subquery " +
           " WHERE rank <= 3")

         reseltDataFram.show()

         val resultRowRDD = reseltDataFram.rdd

         resultRowRDD.foreachPartition { partitionOfRecords => {

           if (partitionOfRecords.isEmpty){
             println("This RDD is not null but partition is null")
           } else {
             // ConnectionPool is a static, lazily initialized pool of connections
             val connection = ConnectionPool.getConnection()
             partitionOfRecords.foreach(record => {
               val sql = "insert into categorytop3(category,item,client_count) values('" + record.getAs("category") + "','" +
                 record.getAs("item") + "'," + record.getAs("click_count") + ")"
               val stmt = connection.createStatement();
               stmt.executeUpdate(sql);

             })
             ConnectionPool.returnConnection(connection) // return to the pool for future reuse

           }
         }
         }
       }
     }
     }
     /**
       * 在StreamingContext调用start方法的内部其实是会启动JobScheduler的Start方法，进行消息循环，在JobScheduler
       * 的start内部会构造JobGenerator和ReceiverTacker，并且调用JobGenerator和ReceiverTacker的start方法：
      *   1，JobGenerator启动后会不断的根据batchDuration生成一个个的Job
       *   2，ReceiverTracker启动后首先在Spark Cluster中启动Receiver（其实是在Executor中先启动ReceiverSupervisor），在Receiver收到
      *   数据后会通过ReceiverSupervisor存储到Executor并且把数据的Metadata信息发送给Driver中的ReceiverTracker，在ReceiverTracker
       *   内部会通过ReceivedBlockTracker来管理接受到的元数据信息
      * 每个BatchInterval会产生一个具体的Job，其实这里的Job不是Spark Core中所指的Job，它只是基于DStreamGraph而生成的RDD
       * 的DAG而已，从Java角度讲，相当于Runnable接口实例，此时要想运行Job需要提交给JobScheduler，在JobScheduler中通过线程池的方式找到一个
      * 单独的线程来提交Job到集群运行（其实是在线程中基于RDD的Action触发真正的作业的运行），为什么使用线程池呢？
      *   1，作业不断生成，所以为了提升效率，我们需要线程池；这和在Executor中通过线程池执行Task有异曲同工之妙；
      *   2，有可能设置了Job的FAIR公平调度的方式，这个时候也需要多线程的支持；
      *
       */
     ssc.start()
     ssc.awaitTermination()
   }
 }