Spark Streaming中window滑动窗口的应用

最新推荐文章于 2024-08-26 10:24:24 发布

Running-小猛

最新推荐文章于 2024-08-26 10:24:24 发布

阅读量823

点赞数 1

Spark 专栏收录该内容

1 篇文章 0 订阅

订阅专栏

Spark Streaming中window滑动窗口应用，Spark Streaming提供了滑动窗口操作的支持，从而让我们可以对一个滑动窗口内的数据执行计算操作。每次掉落在窗口内的RDD的数据，会被聚合起来执行计算操作，然后生成的RDD，会作为window DStream的一个RDD。

如官网图例中所示，就是对每三秒钟的数据执行一次滑动窗口计算，这3秒内的3个RDD会被聚合起来进行处理，然后过了两秒钟，又会对最近三秒内的数据执行滑动窗口计算。所以每个滑动窗口操作，都必须指定两个参数，窗口长度以及滑动间隔，而且这两个参数值都必须是batch间隔的整数倍。

Spark Streaming对滑动窗口的支持，是比Storm更加完善和强大的。

Spark Streaming对滑动窗口支持的转换操作：

案例：

热点搜索词滑动统计，每个10秒钟，统计最近60秒钟的搜索词的搜索频次，并打印出排名最靠前的3个搜索词以及出现次数。

scala版本：

package com.spark.streaming

import org.apache.spark.streaming.Seconds
import org.apache.spark.streaming.StreamingContext
import org.apache.spark.SparkConf

/**
* @author Ganymede
*/
object WindowHotWordS {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName("WindowHotWordS").setMaster("local[2]")

//Scala中，创建的是StreamingContext
val ssc = new StreamingContext(conf, Seconds(5))

val searchLogsDStream = ssc.socketTextStream("spark1", 9999)

val searchWordsDStream = searchLogsDStream.map { searchLog => searchLog.split(" ")(1) }

val searchWordPairDStream = searchWordsDStream.map { searchWord => (searchWord, 1) }

// reduceByKeyAndWindow
// 第二个参数，是窗口长度，这是是60秒
// 第三个参数，是滑动间隔，这里是10秒
// 也就是说，每隔10秒钟，将最近60秒的数据，作为一个窗口，进行内部的RDD的聚合，然后统一对一个RDD进行后续计算
// 而是只是放在那里
// 然后，等待我们的滑动间隔到了以后，10秒到了，会将之前60秒的RDD，因为一个batch间隔是5秒，所以之前60秒，就有12个RDD，给聚合起来，然后统一执行reduceByKey操作
// 所以这里的reduceByKeyAndWindow，是针对每个窗口执行计算的，而不是针对某个DStream中的RDD
// 每隔10秒钟，出来之前60秒的收集到的单词的统计次数
val searchWordCountsDStream = searchWordPairDStream.reduceByKeyAndWindow((v1: Int, v2: Int) => v1 + v2, Seconds(60), Seconds(10))


val finalDStream = searchWordCountsDStream.transform(searchWordCountsRDD => {
val countSearchWordsRDD = searchWordCountsRDD.map(tuple => (tuple._2, tuple._1))
val sortedCountSearchWordsRDD = countSearchWordsRDD.sortByKey(false)
val sortedSearchWordCountsRDD = sortedCountSearchWordsRDD.map(tuple => (tuple._1, tuple._2))
val top3SearchWordCounts = sortedSearchWordCountsRDD.take(3)

for (tuple <- top3SearchWordCounts) {
println("result : " + tuple)
}

searchWordCountsRDD
})

finalDStream.print()

ssc.start()
ssc.awaitTermination()
}
}