一、SparkStreaming概述
1. 数据处理类型分类
- 静态数据
- 数据源是不变的、有限的、显式离散的
- 多适用于批量计算、离线计算
- 流数据
- 数据是变动的、无限的、连续的
- 多适用于实时计算,能在秒级、秒内处理完成
- 实时数据分类
- 小时级
- 分钟级
- 秒级
- sparkstreaming是什么
- 一句话总结:微批处理的流式(数据)实时计算框架
- 原理:是把输入数据以某一时间间隔批量的处理,当批处理间隔缩短到秒级时,即可用于处理实时数据流。
- 优点
- 可以和spark core、sparksql等无缝集成
- 支持从多种数据源获取数据,包括Kafka、Flume、Twitter、ZeroMQ、Kinesis以及TCP sockets,然后可以使用诸如map、reduce、join等高级函数进行复杂算法的处理,最后可以将处理结果存储到HDFS文件系统,数据库等。
- 重要概念说明
- StreamingContext
- 类比于SparkContext,SparkSqlContext
- 流计算框架中的中枢类,负责各种环境信息、分发调度等任务。
- 数据源
- 简称:Source,意为DataSource的缩写
- 指流数据的来源是哪里,如文件,Socket输入、Kafka等。
- 离散流
- 英文称Discretized Stream,简称DStream,即为sparkstreaming微批处理当中的数据抽象单位。
- 是继spark core的RDD、spark sql的DataFrame和DataSet后又一基础的数据类型,是spark streaming特有的数据类型。
- 输入离散流
- 英文简称:Input DStream
- 将Spark Streaming连接到一个外部Source数据源来读取数据的统称
- 批处理
- 英文称Batch Data
- 连续数据离散化的步骤:将流式实时连续的数据整体转化成以时间片为单位进行分批,即将流式数据转化成时间片为单位数据进行批数据处理,随着时间推移,这些处理结果即形成结果数据流,即流处理引擎形成。
- 时间片或批处理时间间隔
- 英文称 batch interval
- 人为对流数据进行定量的标准,以时间片作为拆分流数据的依据。
- 一个时间片的数据对应一个RDD实例。
- 窗口长度
- 英文称window length
- 一个窗口覆盖的流数据的时间长度,必须是批处理时间间隔的倍数。
- 窗口分类
- 滑动窗口
- 滚动窗口
- 滑动窗口时间间隔
- 滑动窗口:简称Sliding window
- 前一个窗口到后一个窗口所经过的时间长度间隔。必须是批处理时间间隔的倍数
2. 处理流程图示说明
- 框架处理总流程图![](F:\大数据笔记\图片\sparkstreaming框架处理总流程图.png)
- 框架内部工作流程图
- Spark Streaming接收实时输入数据流并将数据分成批处理,然后由SparkCore引擎处理,以批量生成最终结果流。![](F:\大数据笔记\图片\sparkstreaming框架内部工作流程图.png)
二、scala快速构建sparkstreaming应用
1. 在maven中添加spark-streaming依赖
```xml
<!-- spark-streaming依赖 -->
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-streaming_${scala.compile.version}</artifactId>
<version>2.3.2</version>
<scope>provided</scope>
</dependency>
```
2. 以StreamingContext为起点,面向DStream编程
```scala
package com.tl.job002.streaming
import org.apache.spark._
import org.apache.spark.streaming._
//SparkStreaming测试类
object SparkStreamingTest {
def main(args: Array[String]): Unit = {
// 要初始化Spark Streaming程序,必须创建一个StreamingContext对象,
//它是所有Spark Streaming功能的主要入口点。
//一切都从SparkConf开始
val conf = new SparkConf().setMaster("local[2]")
.setAppName("NetworkWordCount")
//指定时间间隔的ssc初始化
val ssc = new StreamingContext(conf, Seconds(1))
//ssc指定来自TCP源作为输入数据源,即链接一个指定主机的已打开的TCP端口,从该端口中读取文本数据,每行以”\n”作为每行的结尾。
val lines = ssc.socketTextStream("localhost", 9999)
//将DStream进行打平处理,实际是对其内部的离散的rdd进行打平处理
val words = lines.flatMap(_.split("\\s+"))
// 将单列的word转化为双列的kv结构,用于后边的wc操作
val pairs = words.map(word => (word, 1))
//对kv的输出进行wc计算
val wordCounts = pairs.reduceByKey(_ + _)
//打印wc结果到控制台
wordCounts.print()
//正式开始计算
ssc.start()
//等待计算结束,一般流式计算没有异常或人为干预是一直保持运行状态的
ssc.awaitTermination()
}
}
```
3. SparkStreaming实现WordCount的流程抽象说明(经典流程)
- SparkStreaming代码的开发流程
- 初始化StreamingContext
- 通过创建输入DStreams来定义输入源。
- 通过将转换和输出操作应用于DStream来定义流式计算。
- 开始接收数据并使用它进行处理streamingContext.start()。
- 等待处理停止(手动或由于任何错误)使用streamingContext.awaitTermination()。
- 可以使用手动停止处理streamingContext.stop()。
- SparkStreaming代码开发注意
- 一旦启动(start)了上下文,就不能设置或添加新的流式计算。
- 上下文停止后,无法重新启动。
- 在JVM中只能同时激活一个StreamingContext。
- StreamingContext上的stop()也会停止SparkContext。要仅停止StreamingContext,请将stop()的可选参数设置stopSparkContext为false。
- 只要在创建下一个StreamingContext之前停止前一个StreamingContext(不停止SparkContext),就可以重复使用SparkContext来创建多个StreamingContexts。
三、SparkStreaming常见问题说明
1. 输入DStream和Receivers
- 输入DStream:即为从数据流源接受的输入数据流的DStream
- 内置两类流媒体源
- 基本流数据源:包括本地或是hdfs文件系统、Socket套接字链接、Akka actor等。
- 高级流数据源:包括Kafka、Flume、Kinesis、ZeroMQ等数据源,可以通过引入第三方工具库来使用该数据源。
- Receivers:每个输入DStream(除文件流之外)均与Receiver相对关联,该对象负责从流源接收数据并将其存储在Spark的内存中进行处理。
2. 关于SparkStreaming本地运行时线程数量的设置
- 在本地运行Spark Streaming程序时,不能使用“local”或“local [1]”作为主URL。
- 该设置即只有一个线程将用于本地运行任务。如果正使用基于接收器的输入DStream,则必须使用单个线程来运行接收器,而无法留下用于处理接收数据的线程。故本地运行时,始终使用“local [ n ]”作为主URL,其中n >要运行的接收器数量,即至少从2起
3. 关于SparkStreaming在集群运行时CPU逻辑核心数设置
- 一个逻辑CPU的资源相当于可以开启一个线程的能力。
- 在集群上运行时,分配给SparkStreaming应用程序的核心数必须大于接收器数。否则系统将只能接收数据,但无法处理数据。