前言
- 在前面的文章中有介绍SparkStreaming中的updateStateByKey算子,具体可见文章:Spark Streaming中状态算子的使用,但是使用updateStateByKey算子会存在一个问题,就是必须使用checkpoint,同时造成小文件扎堆的情况
- 而在这篇文章中Spark Streaming中foreachRDD算子使用详解所提到的写入mysql的最佳实践中,细看也不难发现个问题,即每次写入到MySQL中的数据每次都是新增的,一旦数据更新后,那么从统计结果层面上来看是不对的,因此我们需要对其进行改进,实现类似于upsert的操作
结合上面这两点问题,在本篇文章中将使用SparkStreaming + redis来实现状态算子的功能,并同时保证数据库中数据的准确性
实现思路&代码
对于wordcount这种统计维度来说,redis的使用关键点在于如何选择合适的数据类型,可以使用hash的数据类型,并借助于hincrby的语法去实现对历史状态的累加,每次将新统计出的值去和数据库中存储的值进行累加
核心代码为RedisUtils和StreamingRedisApp,具体如下:
object RedisUtils {
val poolConfig = new JedisPoolConfig
poolConfig.setMaxTotal(2000)
poolConfig.setMaxIdle(1000)
poolConfig.setTestOnBorrow(true) //将连接用完放回池中
// 默认端口即6379
private val pool = new JedisPool(poolConfig, "localhost")
def getJedis = pool.getResource
def main(args: Array[String]): Unit = {
val jedis = getJedis
println(jedis)
}
}
object StreamingRedisApp {
def main(args: Array[String]): Unit = {
val ssc = ContextUtils.getStreamingContext(this.getClass.getSimpleName, 5)
val lines = ssc.socketTextStream("localhost", 9999)
val result = lines.flatMap(_.split(",")).map((_,1)).reduceByKey(_+_)
// 使用redis来实现state
result.foreachRDD(rdd => {
rdd.foreachPartition(partition => {
val jedis = RedisUtils.getJedis
partition.foreach(pair => {
// hincrBy为field加上指定的值,通过redis的特性即实现了累加的功能
jedis.hincrBy("redis_wc", pair._1, pair._2)
})
jedis.close()
})
})
ssc.start()
ssc.awaitTermination()
}
}