spark streaming -过滤黑名单

通过spark streaming实时统计过滤黑名单,稍微改动一下,可以结合到真实企业案例中

import java.util.ArrayList;
import java.util.List;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.api.java.function.PairFunction;
import org.apache.spark.streaming.Durations;
import org.apache.spark.streaming.api.java.JavaDStream;
import org.apache.spark.streaming.api.java.JavaPairDStream;
import org.apache.spark.streaming.api.java.JavaReceiverInputDStream;
import org.apache.spark.streaming.api.java.JavaStreamingContext;

import com.google.common.base.Optional;

import scala.Tuple2;

/**
 * 基于transform的实时广告计费日志黑名单过滤
 * @author Administrator
 *
 */
public class TransformBlacklist {
   
   @SuppressWarnings("deprecation")
   public static void main(String[] args) {
      SparkConf conf = new SparkConf()
            .setMaster("local[2]")
            .setAppName("TransformBlacklist");  
      JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(5));
      
      // 用户对我们的网站上的广告可以进行点击
      // 点击之后，是不是要进行实时计费，点一下，算一次钱
      // 但是，对于那些帮助某些无良商家刷广告的人，那么我们有一个黑名单
      // 只要是黑名单中的用户点击的广告，我们就给过滤掉
      
      // 先做一份模拟的黑名单RDD
      List<Tuple2<String, Boolean>> blacklist = new ArrayList<Tuple2<String, Boolean>>();
      blacklist.add(new Tuple2<String, Boolean>("tom", true));  
      final JavaPairRDD<String, Boolean> blacklistRDD = jssc.sc().parallelizePairs(blacklist);
      
      // 这里的日志格式，就简化一下，就是date username的方式 nc -l -p 8888 127.0.0.1
      JavaReceiverInputDStream<String> adsClickLogDStream = jssc.socketTextStream("127.0.0.1", 6666);
      adsClickLogDStream.print();
      
      // 所以，要先对输入的数据，进行一下转换操作，变成，(username, date username)
      // 以便于，后面对每个batch RDD，与定义好的黑名单RDD进行join操作
      JavaPairDStream<String, String> userAdsClickLogDStream = adsClickLogDStream.mapToPair(
            
            new PairFunction<String, String, String>() {

               private static final long serialVersionUID = 1L;

               @Override
               public Tuple2<String, String> call(String adsClickLog)
                     throws Exception {
                  return new Tuple2<String, String>(
                        adsClickLog.split(" ")[1], adsClickLog);
               }
               
            });
      
      // 然后，就可以执行transform操作了，将每个batch的RDD，与黑名单RDD进行join、filter、map等操作
      // 实时进行黑名单过滤
      JavaDStream<String> validAdsClickLogDStream = userAdsClickLogDStream.transform(
            
            new Function<JavaPairRDD<String,String>, JavaRDD<String>>() {

               private static final long serialVersionUID = 1L;

               @Override
               public JavaRDD<String> call(JavaPairRDD<String, String> userAdsClickLogRDD)
                     throws Exception {
                  // 这里为什么用左外连接？
                  // 因为，并不是每个用户都存在于黑名单中的
                  // 所以，如果直接用join，那么没有存在于黑名单中的数据，会无法join到
                  // 就给丢弃掉了
                  // 所以，这里用leftOuterJoin，就是说，哪怕一个user不在黑名单RDD中，没有join到
                  // 也还是会被保存下来的
                  JavaPairRDD<String, Tuple2<String, Optional<Boolean>>> joinedRDD = 
                        userAdsClickLogRDD.leftOuterJoin(blacklistRDD);
                  
                  // 连接之后，执行filter算子
                  JavaPairRDD<String, Tuple2<String, Optional<Boolean>>> filteredRDD = 
                        joinedRDD.filter(
                              
                              new Function<Tuple2<String, 
                                    Tuple2<String,Optional<Boolean>>>, Boolean>() {

                                 private static final long serialVersionUID = 1L;

                                 @Override
                                 public Boolean call(
                                       Tuple2<String, 
                                             Tuple2<String, Optional<Boolean>>> tuple)
                                       throws Exception {
                                    // 这里的tuple，就是每个用户，对应的访问日志，和在黑名单中
                                    // 的状态
                                    if(tuple._2._2().isPresent() && 
                                          tuple._2._2.get()) {  
                                       return false;
                                    }
                                    return true;
                                 }
                                 
                              });
                  
                  // 此时，filteredRDD中，就只剩下没有被黑名单过滤的用户点击了
                  // 进行map操作，转换成我们想要的格式
                  JavaRDD<String> validAdsClickLogRDD = filteredRDD.map(
                        
                        new Function<Tuple2<String,Tuple2<String,Optional<Boolean>>>, String>() {

                           private static final long serialVersionUID = 1L;

                           @Override
                           public String call(
                                 Tuple2<String, Tuple2<String, Optional<Boolean>>> tuple)
                                 throws Exception {
                              return tuple._2._1;
                           }
                           
                        });
                  
                  return validAdsClickLogRDD;
               }
               
            });
      
      // 打印有效的广告点击日志
      // 其实在真实企业场景中，这里后面就可以走写入kafka、ActiveMQ等这种中间件消息队列
      // 然后再开发一个专门的后台服务，作为广告计费服务，执行实时的广告计费，这里就是只拿到了有效的广告点击
      validAdsClickLogDStream.print();
      
      jssc.start();
      jssc.awaitTermination();
      jssc.close();
   }
   
}