SparkStreaming之foreachRDD

DStream中的foreachRDD是一个非常强大函数，它允许你把数据发送给外部系统。因为输出操作实际上是允许外部系统消费转换后的数据，它们触发的实际操作是DStream转换。所以要掌握它，对它要有深入了解。下面有一些常用的错误需要理解。经常写数据到外部系统需要创建一个连接的object（eg:根据TCP协议连接到远程的服务器，我们连接外部数据库需要自己的句柄）和发送数据到远程的系统为此，开发者需要在Spark的driver创建一个object用于连接。
为了达到这个目的，开发人员可能不经意的在Spark驱动中创建一个连接对象，但是在Spark worker中 尝试调用这个连接对象保存记录到RDD中，如下：
dstream.foreachRDD { rdd =>
  val connection = createNewConnection()  // executed at the driver
  rdd.foreach { record =>
    connection.send(record) // executed at the worker
  }
}
这是不正确的，因为这需要先序列化连接对象，然后将它从driver发送到worker中。这样的连接对象在机器之间不能
传送。它可能表现为序列化错误（连接对象不可序列化）或者初始化错误（连接对象应该 在worker中初始化）等
等。正确的解决办法是在worker中创建连接对象。
然而，这会造成另外一个常见的错误-为每一个记录创建了一个连接对象。例如：
dstream.foreachRDD { rdd =>
  rdd.foreach { record =>
    val connection = createNewConnection()
    connection.send(record)
    connection.close()
  }
}
通常，创建一个连接对象有资源和时间的开支。因此，为每个记录创建和销毁连接对象会导致非常高的开支，明显
的减少系统的整体吞吐量。一个更好的解决办法是利用rdd.foreachPartition方法。 为RDD的partition创建一个连接对
象，用这个两件对象发送partition中的所有记录。
dstream.foreachRDD { rdd =>
  rdd.foreachPartition { partitionOfRecords =>
    val connection = createNewConnection()
    partitionOfRecords.foreach(record => connection.send(record))
    connection.close()
  }
}
最后，可以通过在多个RDD或者批数据间重用连接对象做更进一步的优化。开发者可以保有一个静态的连接对象
池，重复使用池中的对象将多批次的RDD推送到外部系统，以进一步节省开支
dstream.foreachRDD { rdd =>
  rdd.foreachPartition { partitionOfRecords =>
    // ConnectionPool is a static, lazily initialized pool of connections
    val connection = ConnectionPool.getConnection()
    partitionOfRecords.foreach(record => connection.send(record))
    ConnectionPool.returnConnection(connection)  // return to the pool for future reuse
  }
}
需要注意的是，池中的连接对象应该根据需要延迟创建，并且在空闲一段时间后自动超时。这样就获取了最有效的
方式发生数据到外部系统。
其它需要注意的地方：
（1）输出操作通过懒执行的方式操作DStreams，正如RDD action通过懒执行的方式操作RDD。具体地看，RDD 
actions和DStreams输出操作接收数据的处理。因此，如果你的应用程序没有任何输出操作或者 用于输出操作
dstream.foreachRDD()，但是没有任何RDD action操作在dstream.foreachRDD()里面，那么什么也不会执行。系统
仅仅会接收输入，然后丢弃它们。
（2）默认情况下，DStreams输出操作是分时执行的，它们按照应用程序的定义顺序按序执行。


实验1：把SparkStreaming的内部数据存入Mysql
（1）在mysql中创建一个表用于存放数据
mysql> create database streaming;  
Query OK, 1 row affected (0.01 sec)  
   
mysql> use streaming;  
Database changed  
mysql> show tables;  
Empty set (0.01 sec)  
   
mysql> create table wc (word varchar(20),count int(10));
Query OK, 0 rows affected (0.05 sec)  
（2）用scala编写连接Mysql的连接池
import java.sql.Connection  
import java.sql.PreparedStatement  
import java.sql.ResultSet  
  
import org.apache.commons.dbcp.BasicDataSource  
import org.apache.log4j.Logger  
  
object scalaConnectPool {  
  val  log = Logger.getLogger(ConnectionPool.this.getClass)  
  var ds:BasicDataSource = null  
  def getDataSource={  
    if(ds == null){  
      ds = new BasicDataSource()  
      ds.setUsername("root")  
      ds.setPassword("000000")  
      ds.setUrl("jdbc:mysql://localhost:3306/streaming")  
      ds.setDriverClassName("com.mysql.jdbc.Driver")  
      ds.setInitialSize(20)  
      ds.setMaxActive(100)  
      ds.setMinIdle(50)  
      ds.setMaxIdle(100)  
      ds.setMaxWait(1000)  
      ds.setMinEvictableIdleTimeMillis(5*60*1000)  
      ds.setTimeBetweenEvictionRunsMillis(10*60*1000)  
      ds.setTestOnBorrow(true)  
    }  
    ds  
  }  
  
  def getConnection : Connection= {  
    var connect:Connection = null  
    try {  
      if(ds != null){  
        connect = ds.getConnection  
      }else{  
        connect = getDataSource.getConnection  
      }  
    }  
    connect  
  }  
  
  def shutDownDataSource: Unit=if (ds !=null){ds.close()}  
  
  def closeConnection(rs:ResultSet,ps:PreparedStatement,connect:Connection): Unit ={  
    if(rs != null){rs.close}  
    if(ps != null){ps.close}  
    if(connect != null){connect.close}  
  }  
  
}  


(3)编写SparkStreaming程序

import org.apache.spark.SparkConf
import org.apache.spark.streaming.{Seconds, State, StateSpec, StreamingContext}

object ForeachRDDApp {
  def main(args: Array[String]): Unit = {
    val sparkConf = new SparkConf().setMaster("local[2]").setAppName("ForeachRDDApp")
    val ssc = new StreamingContext(sparkConf,Seconds(10))

    val lines = ssc.socketTextStream("192.168.179.160", 9999)
    val words = lines.flatMap(_.split(" "))
    val pairs = words.map(word => (word, 1))
    val result = pairs.reduceByKey(_+_)

    result.foreachRDD( rdd =>{
      rdd.foreachPartition(partitionOfRecords =>{
        val connect = ConnectionPool.getConnection
        connect.setAutoCommit(false)

        partitionOfRecords.foreach(record =>{
          val sql = "insert into wc (word,count) values ('"+record._1+"','"+record._2+"')"
          val stmt = connect.createStatement().execute(sql)
        })
        connect.commit()
      }
      )
    }
    )

    ssc.start()
    ssc.awaitTermination()
  }

}