基于大数据的Uber数据实时监控（Part 4：Spark Streaming、DataFrames和HBase）

导言

根据Gartner的数据，到2020年全球将有208亿个连接产品投入使用。Uber机器学习负责人Danny Lange的目标是将机器学习待到Uber业务的每个角落。连接事物的示例包括联网汽车和设备以及医疗保健、电信、制造、零售和金融的应用。利用来自这些设备的大量数据、实时处理事件，应用机器学习来增加价值，以及可扩展的快速存储。这些类型的应用程序的体系结构通常是事件驱动的微服务体系结构。

这是系列文章的最后一篇，该应用程序将流数据与机器学习相结合，对Uber汽车聚集的地点和时间进行实时分析和可视化，从而预测和可视化最受欢迎的Uber地点。

1. 本系列的第一部分讨论如何创建机器学习模型，使用Apache Spark K-means算法按位置对Uber数据进行聚类。

2. 在第二篇文章讨论了使用保存的K-mean与数据流模型做的时候尤伯杯车都聚集在那里，并实时分析。

3. 在第三后讨论建立一个实时仪表板直观显示谷歌地图上的集群数据。下图描绘了数据管道：

   

   
   

本文将在Spark Streaming写入到MAPR-DB使用Spark HBase和MAPR-DB二进制接口以及使用SQL Spark和DataFrames从MAPR-DB解读。下图描绘了数据管道：

• Uber旅行数据使用Kafka API发布到MapR Streams主题；

• 订阅第一个主题的Spark Streaming应用程序使用群集位置丰富事件，并将结果以JSON格式发布到另一个主题；

• 订阅第二个主题的Vert.x Web应用程序在热图中显示Uber旅行群集；

• 订阅第二个主题的Spark Streaming应用程序使用Spark HBase和MapR-DB二进制连接器将数据存储在MapR-DB中；

• Spark批处理应用程序使用Spark HBase和MapR-DB二进制连接器使用Spark SQL查询MapR-DB；

  

  
  

Spark和MapR-DB

处理大量流数据时遇到的挑战之一是确定要存储它的位置。使用MapR-DB（HBase API或JSON API），表按键范围自动按群集分区，提供按行键可扩展和快速读写。

Spark HBase和MapR-DB二进制连接器利用Spark DataSource API。连接器体系结构再每个Spark Executor中都有一个HConnection对象，允许使用MapR-DB进行分布式并行写入、读取或扫描。

Spark Streaming写入MapR-DB

在第二篇文章中你可以阅读有关MapR Streams Spark Streaming代码的信息。本文专注于MapR-DB部分。来自MapR-DB主题的消息采用JSON格式，并且每个Uber行程包含以下内容：群集ID、行程日期时间、纬度和经度等。示例如下：

1{"cid":18, "dt":"2014-08-01 08:51:00", "lat":40.6858, "lon":-73.9923, "base":"B02682", "clat":40.67462874550765, "clon":-73.98667466026531}"cid":18, "dt":"2014-08-01 08:51:00", "lat":40.6858, "lon":-73.9923, "base":"B02682", "clat":40.67462874550765, "clon":-73.98667466026531}

在下面的代码中，使用HBaseContext对象创建了一个HBaseConfiguration 对象。将HBaseContext 配置广播信息携带到HConnections 执行器中。

在下面的代码中：

• 从消息键值对中获取消息值；

• 调用HBaseContext streamBulkPut 方法，传递消息值DStream，  TableName 写入，以及将Dstream值转换为HBase put记录的函数；

  

  
  

  
  

  该convertToPut 函数解析JSON字符串并创建HBase PUT 对象。

Spark Streaming允许大量并行发送存入HBase。

Spark SQL和DataFrames

Spark HBase和MapR-DB二进制连接器使用户能够使用Spark DataFrame在MapR-DB之上执行复杂的SQL查询，同时应用分区修建、列修建、谓词下推和数据局部性等关键技术。

要使用Spark HBase和MapR-DB二进制连接器，需要为HBase和Spark表之间的模式映射定义Catalog。以下是存储Uber数据的模式：

• 复合行键包含集群ID，基数，数据和时间，由下划线分隔。

• 存在用于存储所有数据的列族数据和用于统计汇总的列族统计数据。

• 有两列，一列用于纬度，一列用于每次旅行的经度。

Catalog定义了HBase和Spark表之间的映射。该目录有两个关键部分。一个是行键定义；另一个是Spark中的表列与HBase中的咧族和列名之间的映射。以下示例为MapR-DB表定义Catalog模式，其名称为/ user / user01 / db / uber，行和列分别为lat和lon。

将数据从MapR-DB加载到Spark DataFrame

在withCatalog 下面的功能中：

• 该SQLContext 读返回一个DataFrameReader 可用于在数据帧读取数据；

• options函数将基础数据源的输入选项添加到DataFrameReader；

• format函数指定的输入数据源格式DataFrameReader；

• 该load() 函数将输入加载为DataFrame。 函数df 返回的前20行数据帧  withCatalog随输出df.show；

输出 df.show 如下所示：

在下面的示例中， df.filter 使用给定的SQL表达式过滤器的行来过滤簇ID（行密钥的开始）>=9. select选择一组列：key 、lat 和lon 。

结果 df.show 如下所示：

以上讨论的用例体系结构的所有组件都可以与MapR融合数据平台在同一个集群上运行。

长按订阅更多精彩▼