【Spark内存计算框架】SparkStreaming简介_SparkStreaming的运行流程_入门程序单词统计_实时数据源

最新推荐文章于 2022-03-22 16:11:36 发布

Aponson

最新推荐文章于 2022-03-22 16:11:36 发布

阅读量255

点赞数

分类专栏： spark 文章标签： spark 大数据 streaming

本文链接：https://blog.csdn.net/qq_36679460/article/details/107495102

版权

spark 专栏收录该内容

8 篇文章 0 订阅

订阅专栏

001SparkStreaming

SparkCore、SparkSQL和SparkStreaming总结
实时任务简介
SparkStreaming的程序入口
什么是Stream流
SparkStreaming的运行流程
入门程序wordcount单词统计
实时任务SparkStreaming程序的数据源

SparkCore、SparkSQL和SparkStreaming总结

SparkCore：
1.核心抽象（RDD）
2.程序入口（new SparkContext）
3.各种方法调用
SparkSQL：
1.核心抽象（DataFrame/DataSet）
2.程序入口（new SparkSession）
3.各种方法调用
SparkStreaming：
1.核心抽象（DStream）
2.程序入口（new StreamingContext(sc,Seconds(1))）每1秒计算一次当前1秒的数据
3.各种方法调用
注意
blockInterval：200ms，即block文件（block块）生成的间隔
batchInterval：1,2等，即Seconds(1)一样的效果
但是程序中设置参数会覆盖系统参数（或配置文件的参数）

RDD：
        mapPartition
        foreachPartition
DStream：
        transform(mapRDD)
        foreachRDD

spark中底层形式转换关系：
RDD -> DataFrame/DataSet -> table -> SQL
DataFrame/DataSet ->RDD -> RDD（transformation）
DStream -> （transform，foreachRDD）RDD -> DataFrame/DataSet -> table -> SQL

实时任务简介

Spark流是对于Spark核心API的拓展，从而支持对于实时数据流的可拓展，高吞吐量和容错性流处理。数据可以由多个源取得，例如：Kafka，Flume，Twitter，ZeroMQ，Kinesis或者TCP接口，同时可以使用由如map，reduce，join和window这样的高层接口描述的复杂算法进行处理。最终，处理过的数据可以被推送到文件系统，数据库和HDFS。
Spark Streaming

SparkStreaming的程序入口

val conf = new SparkConf().setMaster("local[2]").setAppName("WordCount")
val ssc = new StreamingContext(conf, Seconds(1))

什么是Stream流

离散数据流或者DStream是SparkStreaming提供的基本抽象。其表现数据的连续流，这个输入数据流可以来自于源，也可以来自于转换输入流产生的已处理数据流。内部而言，一个DStream以一系列连续的RDDs所展现，这些RDD是Spark对于不变的，分布式数据集的抽象。一个DStream中的每个RDD都包含来自一定间隔的数据，在DStream上使用的任何操作都会转换为针对底层RDD的操作。

SparkStreaming的运行流程

这里是基于receiver，下面是较简单的运行流程。
1.实时任务提交运行，初始化程序入口；
2.任务开始运行性，Driver端会发送reciver到Executor上，reciver可以设置多个，这里reciver就是一个接收器，用来接收数据的。默认情况下只有一个reciver，一个reciver运行起来其实就是表现为一个task任务。（这里如果在本地运行需要设置setMaster为local[2]，因为接收数据一个线程，处理数据一个线程，写成local运行不起来）
3.每个receiver都会接收进来的数据，并且把这些数据写成一个个block（默认是200ms），然后把这些block写入到executor的内存里面，默认情况下有副本。
4.运行过程中，reciver会给driver端发送块报告，进行双方的信息传递，响应和监听。
5.StreamingContext会根据一定的时间（比如Seconds(1)），把这些时间内所有的block都组成一个RDD，接下来对这个RDD进行计算。

入门程序wordcount单词统计

首先配置好pom文件（当然，在这之前准备好IDEA开发环境，搭建好Hadoop集群，配置好Spark on yarn集群，开启socket服务端口用来发送数据，下面socket端口号自行修改）

<properties>
        <maven.compiler.source>1.8</maven.compiler.source>
        <maven.compiler.target>1.8</maven.compiler.target>
        <scala.version>2.11.8</scala.version>
        <spark.version>2.2.1</spark.version>
        <hadoop.version>2.7.5</hadoop.version>
        <encoding>UTF-8</encoding>
    </properties>

    <dependencies>
        <dependency>
            <groupId>org.scala-lang</groupId>
            <artifactId>scala-library</artifactId>
            <version>${scala.version}</version>
        </dependency>

        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-streaming_2.11</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-streaming-kafka-0-10_2.11</artifactId>
            <version>${spark.version}</version>
        </dependency>
    </dependencies>
    <build>
        <pluginManagement>
            <plugins>
                <plugin>
                    <groupId>net.alchim31.maven</groupId>
                    <artifactId>scala-maven-plugin</artifactId>
                    <version>3.2.2</version>
                </plugin>
                <plugin>
                    <groupId>org.apache.maven.plugins</groupId>
                    <artifactId>maven-compiler-plugin</artifactId>
                    <version>3.5.1</version>
                </plugin>
            </plugins>
        </pluginManagement>
        <plugins>
            <plugin>
                <groupId>net.alchim31.maven</groupId>
                <artifactId>scala-maven-plugin</artifactId>
                <executions>
                    <execution>
                        <id>scala-compile-first</id>
                        <phase>process-resources</phase>
                        <goals>
                            <goal>add-source</goal>
                            <goal>compile</goal>
                        </goals>
                    </execution>
                    <execution>
                        <id>scala-test-compile</id>
                        <phase>process-test-resources</phase>
                        <goals>
                            <goal>testCompile</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>

            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-compiler-plugin</artifactId>
                <executions>
                    <execution>
                        <phase>compile</phase>
                        <goals>
                            <goal>compile</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>

            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-shade-plugin</artifactId>
                <version>2.4.3</version>
                <executions>
                    <execution>
                        <phase>package</phase>
                        <goals>
                            <goal>shade</goal>
                        </goals>
                        <configuration>
                            <filters>
                                <filter>
                                    <artifact>*:*</artifact>
                                    <excludes>
                                        <exclude>META-INF/*.SF</exclude>
                                        <exclude>META-INF/*.DSA</exclude>
                                        <exclude>META-INF/*.RSA</exclude>
                                    </excludes>
                                </filter>
                            </filters>
                        </configuration>
                    </execution>
                </executions>
            </plugin>
        </plugins>
    </build>

WordCount实时任务流程序步骤

步骤一：初始化程序入口
步骤二：获取数据流
步骤三：数据处理
步骤四：数据输出
步骤五：启动任务
工作中基本上这个五个步骤，以及公用部分的封装抽离。

scala版本

object WordCount {
  def main(args: Array[String]): Unit = {
    //步骤一：初始化程序入口
    val conf = new SparkConf().setMaster("local[2]").setAppName("WordCount")
    val ssc = new StreamingContext(conf, Seconds(1))
    //步骤二：获取数据流
    val lines = ssc.socketTextStream("localhost", 9999)
    //步骤三：数据处理
    val words = lines.flatMap(_.split(" "))
    val pairs = words.map(word => (word, 1))
    val wordCounts = pairs.reduceByKey(_ + _)
   //步骤四： 数据输出
    wordCounts.print()
    //步骤五：启动任务
    ssc.start()
    ssc.awaitTermination()
    ssc.stop()
  }
}

java版本

public class WordCount {
    public static void main(String[] args)  throws  Exception{
        //步骤一：初始化程序入口
        SparkConf conf = new SparkConf().setMaster("local[2]").setAppName("WordCount");
        JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(1));
        //步骤二：获取数据源
        JavaReceiverInputDStream<String> lines = jssc.socketTextStream("10.148.15.10", 9999);
        //步骤三：数据处理
        JavaDStream<String> words = lines.flatMap(x -> Arrays.asList(x.split(" ")).iterator());
        JavaPairDStream<String, Integer> pairs = words.mapToPair(s -> new Tuple2<>(s, 1));
        JavaPairDStream<String, Integer> wordCounts = pairs.reduceByKey((i1, i2) -> i1 + i2);
        //步骤四：数据输出
        wordCounts.print();
        //步骤五：启动程序
        jssc.start();
        jssc.awaitTermination();
        jssc.stop();
    }
}

实时任务SparkStreaming程序的数据源

Socket数据源

见上面入门程序

HDFS数据源

注：如果HDFS使用的高可用模式，需要把集群的core-site.xml,hdfs-site.xml文件导入到项目的resources目录里面。
在这里插入图片描述

object WordCountForHDFSSource {
  def main(args: Array[String]): Unit = {
    //步骤一：初始化程序入口
    val conf = new SparkConf().setMaster("local[2]").setAppName("WordCount")
    val ssc = new StreamingContext(conf, Seconds(1))
    //步骤二：获取数据流
    val lines = ssc.textFileStream("/tmp");
    //步骤三：数据处理
    val words = lines.flatMap(_.split(" "))
    val pairs = words.map(word => (word, 1))
    val wordCounts = pairs.reduceByKey(_ + _)
    //步骤四： 数据输出
    wordCounts.print()
    //步骤五：启动任务
    ssc.start()
    ssc.awaitTermination()
    ssc.stop()
  }
}

自定义数据源

/**
  * 自定义一个Receiver，这个Receiver从socket中接收数据
  * 接收过来的数据解析成以 \n 分隔开的text
    使用方式：nc -lk 9999
  */
object CustomReceiver {
  def main(args: Array[String]): Unit = {
    //设置了日志的级别
    Logger.getLogger("org").setLevel(Level.ERROR)

    // Create the context with a 1 second batch size
    val sparkConf = new SparkConf().setAppName("CustomReceiver").setMaster("local[2]")
    val sc = new SparkContext(sparkConf)
    val ssc = new StreamingContext(sc, Seconds(1))

    val lines = ssc.receiverStream(new MyCustomReceiver("localhost", 8888))

    val words = lines.flatMap(_.split(","))
    val wordCounts = words.map(x => (x, 1)).reduceByKey(_ + _)
    wordCounts.print()

    ssc.start()
    ssc.awaitTermination()
    ssc.stop(false)
  }
}

//socket
class MyCustomReceiver(host: String, port: Int) extends Receiver[String](StorageLevel.MEMORY_ONLY) with Logging {
  def onStart() {
    // 启动一个线程，开始接收数据
    new Thread("Socket Receiver") {
      override def run() { receive() }
    }.start()
    //数据库里面读取数据
  }
  def onStop() {
    // There is nothing much to do as the thread calling receive()
    // is designed to stop by itself isStopped() returns false
    //关闭连接
  }
  /** Create a socket connection and receive data until receiver is stopped */
  private def receive() {
    var socket: Socket = null
    var userInput: String = null
    try {
      logInfo("Connecting to " + host + ":" + port)
      socket = new Socket(host, port)
      logInfo("Connected to " + host + ":" + port)

      val reader = new BufferedReader(
        new InputStreamReader(socket.getInputStream(), StandardCharsets.UTF_8))

      userInput = reader.readLine()
      while(!isStopped && userInput != null) {
        //把这个接收到到数据写到下游
        store(userInput)
        userInput = reader.readLine()
      }
      reader.close()
      socket.close()
      logInfo("Stopped receiving")
      restart("Trying to connect again")
    } catch {
      case e: java.net.ConnectException =>
        restart("Error connecting to " + host + ":" + port, e)
      case t: Throwable =>
        restart("Error receiving data", t)
    }
  }
}

Kafka数据源

这里涉及到SparktStreaming与kafka0.8版本和kafka0.10版本的整合。
SparkStreaming与Kafka-0-8整合，支持0.8版本，或者更高的版本
pom.xml文件添加内容如下：

 <dependency>
    <groupId>org.apache.spark</groupId>
     <artifactId>spark-streaming-kafka-0-8_2.11</artifactId>
     <version>2.3.3</version>
</dependency>

SparkStreaming与Kafka-0-10整合，支持0.10版本，或者更高的版本
pom.xml文件添加内容如下：

<dependency>
    <groupId>org.apache.spark</groupId>
     <artifactId>spark-streaming-kafka-0-10_2.11</artifactId>
     <version>${spark.version}</version>
</dependency>

Aponson

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
【Spark内存计算框架】SparkStreaming简介_SparkStreaming的运行流程_入门程序单词统计_实时数据源

001SparkStreaming实时任务简介SparkStreaming的程序入口什么是Stream流入门程序wordcount单词统计WordCount实时任务流程序步骤scala版本java版本实时任务SparkStreaming程序的数据源Socket数据源HDFS数据源自定义数据源Kafka数据源实时任务简介Spark流是对于Spark核心API的拓展，从而支持对于实时数据流的可拓展，高吞吐量和容错性流处理。数据可以由多个源取得，例如：Kafka，Flume，Twitter，ZeroMQ，Ki
复制链接

扫一扫