spark streaming-基于updatestatebykey全局统计

本文主要通过spark streaming的updatestatebykey进行单词的缓存的全局统计

import java.util.Arrays;
import java.util.List;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.api.java.function.Function2;
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updateStateByKey算子实现缓存机制的实时wordcount程序
 * @author Administrator
 *
 */
public class UpdateStateByKeyWordCount {

   public static void main(String[] args) {
      SparkConf conf = new SparkConf()
            .setMaster("local[2]")
            .setAppName("UpdateStateByKeyWordCount");  
      JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(5));
      
      // 第一点，如果要使用updateStateByKey算子，就必须设置一个checkpoint目录，开启checkpoint机制
      // 这样的话才能把每个key对应的state除了在内存中有，那么是不是也要checkpoint一份
      // 因为你要长期保存一份key的state的话，那么spark streaming是要求必须用checkpoint的，以便于在
      // 内存数据丢失的时候，可以从checkpoint中恢复数据
      
      // 开启checkpoint机制，很简单，只要调用jssc的checkpoint()方法，设置一个hdfs目录即可
      jssc.checkpoint("hdfs://spark1:9000/wordcount_checkpoint");  
      
      // 然后先实现基础的wordcount逻辑
      JavaReceiverInputDStream<String> lines = jssc.socketTextStream("localhost", 9999);
      
      JavaDStream<String> words = lines.flatMap(new FlatMapFunction<String, String>() {

         private static final long serialVersionUID = 1L;

         @Override
         public Iterable<String> call(String line) throws Exception {
            return Arrays.asList(line.split(" "));  
         }
         
      });
      
      JavaPairDStream<String, Integer> pairs = words.mapToPair(
            
            new PairFunction<String, String, Integer>() {

               private static final long serialVersionUID = 1L;

               @Override
               public Tuple2<String, Integer> call(String word)
                     throws Exception {
                  return new Tuple2<String, Integer>(word, 1);
               }
               
            });
      
      // 到了这里，就不一样了，之前的话，是不是直接就是pairs.reduceByKey
      // 然后，就可以得到每个时间段的batch对应的RDD，计算出来的单词计数
      // 然后，可以打印出那个时间段的单词计数
      // 但是，有个问题，你如果要统计每个单词的全局的计数呢？
      // 就是说，统计出来，从程序启动开始，到现在为止，一个单词出现的次数，那么就之前的方式就不好实现
      // 就必须基于redis这种缓存，或者是mysql这种db，来实现累加
      
      // 但是，我们的updateStateByKey，就可以实现直接通过Spark维护一份每个单词的全局的统计次数
      JavaPairDStream<String, Integer> wordCounts = pairs.updateStateByKey(
            
            // 这里的Optional，相当于Scala中的样例类，就是Option，可以这么理解
            // 它代表了一个值的存在状态，可能存在，也可能不存在
            new Function2<List<Integer>, Optional<Integer>, Optional<Integer>>() {

               private static final long serialVersionUID = 1L;

               // 这里两个参数
               // 实际上，对于每个单词，每次batch计算的时候，都会调用这个函数
               // 第一个参数，values，相当于是这个batch中，这个key的新的值，可能有多个吧
               // 比如说一个hello，可能有2个1，(hello, 1) (hello, 1)，那么传入的是(1,1)
               // 第二个参数，就是指的是这个key之前的状态，state，其中泛型的类型是你自己指定的
               @Override
               public Optional<Integer> call(List<Integer> values,
                     Optional<Integer> state) throws Exception {
                  // 首先定义一个全局的单词计数
                  Integer newValue = 0;
                  
                  // 其次，判断，state是否存在，如果不存在，说明是一个key第一次出现
                  // 如果存在，说明这个key之前已经统计过全局的次数了
                  if(state.isPresent()) {
                     newValue = state.get();
                  }
                  
                  // 接着，将本次新出现的值，都累加到newValue上去，就是一个key目前的全局的统计
                  // 次数
                  for(Integer value : values) {
                     newValue += value;
                  }
               
                  return Optional.of(newValue);  
               }
               
            });
      
      // 到这里为止，相当于是，每个batch过来是，计算到pairs DStream，就会执行全局的updateStateByKey
      // 算子，updateStateByKey返回的JavaPairDStream，其实就代表了每个key的全局的计数
      // 打印出来
      wordCounts.print();
      
      jssc.start();
      jssc.awaitTermination();
      jssc.close();
   }
   
}