Spark版本定制第1天：通过案例对SparkStreaming透彻理解之一

本期内容：

1 Spark Streaming另类在线实验

2 瞬间理解Spark Streaming本质

在流处理时代，SparkStreaming有着强大吸引力，而且发展前景广阔，加之Spark的生态系统，Streaming可以方便调用其他的诸如SQL，MLlib等强大框架，它必将一统天下。这里选择Spark Streaming作为版本定制的切入点也是大势所趋。

小技巧：将Batch interval放大，相当于看到了Streaming的慢放版本，可以更清楚它的各个环节，这里以黑名单过滤程序为例，进行试验

案例源码

package com.dt.spark.sparksteaming
 
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.rdd.RDD
import org.apache.spark.streaming.StreamingContext
import org.apache.spark.streaming.Seconds
/**
 * 使用Scala开发集群运行的Spark 在线黑名单过滤程序
 * @author DT大数据梦工厂
 * 新浪微博：http://weibo.com/ilovepains/
 *
 * 背景描述：在广告点击计费系统中，我们在线过滤掉黑名单的点击，进而保护广告商的利益，只进行有效的广告点击计费
 *  或者在防刷评分（或者流量）系统，过滤掉无效的投票或者评分或者流量；
 * 实现技术：使用transform Api直接基于RDD编程，进行join操作
 *
 */
object OnlineBlackListFilter {
    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("OnlineBlackListFilter") //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
        
      val ssc = new StreamingContext(conf, Seconds(30))//这里可以将Batch interval调整到更大，例如300秒，以便更好的了解Streaming内幕
       
      /**
       * 黑名单数据准备，实际上黑名单一般都是动态的，例如在Redis或者数据库中，黑名单的生成往往有复杂的业务
       * 逻辑，具体情况算法不同，但是在Spark Streaming进行处理的时候每次都能工访问完整的信息
       */
      val blackList = Array(("hadoop", true),("mahout", true))
      val blackListRDD = ssc.sparkContext.parallelize(blackList, 8)
       
      val adsClickStream = ssc.socketTextStream("Master", 9999)
       
      /**
       * 此处模拟的广告点击的每条数据的格式为：time、name
       * 此处map操作的结果是name、（time，name）的格式
       */
      val adsClickStreamFormatted = adsClickStream.map { ads => (ads.split(" ")(1), ads) }
      adsClickStreamFormatted.transform(userClickRDD => {
        //通过leftOuterJoin操作既保留了左侧用户广告点击内容的RDD的所有内容，又获得了相应点击内容是否在黑名单中
        val joinedBlackListRDD = userClickRDD.leftOuterJoin(blackListRDD)
         
        /**
         * 进行filter过滤的时候，其输入元素是一个Tuple：（name,((time,name), boolean)）
         * 其中第一个元素是黑名单的名称，第二元素的第二个元素是进行leftOuterJoin的时候是否存在在值
         * 如果存在的话，表面当前广告点击是黑名单，需要过滤掉，否则的话则是有效点击内容；
         */
        val validClicked = joinedBlackListRDD.filter(joinedItem => {
          if(joinedItem._2._2.getOrElse(false))
          {
            false
          } else {
            true
          }
        })
         
        validClicked.map(validClick => {validClick._2._1})
      }).print
       
      /**
       * 计算后的有效数据一般都会写入Kafka中，下游的计费系统会从kafka中pull到有效数据进行计费
       */
      ssc.start()
      ssc.awaitTermination()
      
    }
}

 

运行分析

启动hdfs和spark集群并启动historyServer，将上述代码打成jar包放入/project/bin/目录下，为方便这里还是命名为robinspark-1.0-SNAPSHOT.jar。编辑脚本文件start.sh 如下：

$SPARK_HOME/bin/spark-submit \
        --class com.dt.spark.sparkstreaming.OnlineBlackListFilter \
        --master spark://Master:7077 \
        ./robinspark-1.0-SNAPSHOT.jar
        --f

 

运行脚本文件

root@Master:/project/bin# sh -x start.sh

注意：

这里需要启动nc -lk 9999否则会报错

root@Master:/# nc -lk 9999

22222 Spark

3333 flink

4444 mahout

1111 spark

444444 hadoop

5555 kafka

6666 hdfs

8888 java

运行结果：

执行完毕去SparkUI查看job

点击进入DAG图

从DAG图中可以看到这里并不是应用程序的逻辑，这说明Spark Streaming本身更像是一个应用程序，它在启动的时候会自动启动一些作业，执行好几个job。这时进入details，会发现有一个Receiver在接受数据，而且有一个task运行了7.7min，而打开historyServer会发现整个应用程序也就执行了9.4min。这个7.7min的task就是Receiver在不断循环的接受数据。从这里可以看出，Spark Streaming启动Receiver是通过job启动的，Receiver接受数据和普通job没有区别。我们从一台机器上接受数据，可以在多个机器上执行，最大化的利用资源。在整个过程中虽然产生了很多job，但真正只有一个作业在执行。

Spark Streaming本身是随着流进来的数据，按照时间为单位生成job，触发job在cluster上执行的流式处理引擎。从实质上讲，它是加上了时间维度的批处理。每隔一段时间，就会有一批数据流入，通过DStream模版不断的产生RDD，触发job并处理。

 

资料来源于：王家林（Spark版本定制班课程）
新浪微博：http://www.weibo.com/ilovepains

Life is short，you need to Spark！