Spark Streaming
Spark Streaming是核心Spark API的扩展,可实现实时数据流的可扩展,高吞吐量,容错流处理。数据可以从许多来源(如Kafka,Flume,Kinesis或TCP套接字)中获取,并且可以使用以高级函数(如map,reduce,join和window)表示的复杂算法进行处理。最后,处理后的数据可以推送到文件系统,数据库和实时dashboards。
在内部,它的工作原理如下。 Spark Streaming接收实时输入数据流并将数据分成批处理,然后由Spark引擎处理以批量生成最终结果流。
Spark Streaming提供称为离散流或DStream的高级抽象,表示连续的数据流。DStream可以从来自Kafka,Flume和Kinesis等源的输入数据流创建,也可以通过在其他DStream上应用高级操作来创建。在内部DStream表示为一系列RDD。
Quick Start
- maven
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-streaming_2.11</artifactId>
<version>${spark.version}</version>
</dependency>
- 案例入门
val conf = new SparkConf()
.setMaster("local[5]")
.setAppName("wordCount")
val ssc = new StreamingContext(conf,Seconds(1))
//关闭其他日志
ssc.sparkContext.setLogLevel("FATAL")
val ssc = new StreamingContext(sc,Seconds(1))
ssc.socketTextStream("192.168.239.131", 9999)
.flatMap(line => line.split(" "))
.map((_, 1))
.reduceByKey((v1, v2) => v1 + v2)
.print()
ssc.start()
ssc.awaitTermination()
注意:使用SocketTextStream的时候注意安装nc组件,然后启动
nc -lk 9999
启动netcat服务。
概念介绍
通过上述案例的运行,现在我们来一起探讨一些流处理的概念。在处理流计算的时候,除去spark-core依赖以外我们还需要引入spark-streaming
模块。要从Spark Streaming核心API中不存在的Kafka,Flume和Kinesis等源中提取数据,您必须将相应的工件spark-streaming-xyz_2.11添加到依赖项中。
Source | Artifact |
---|---|
Kafka | spark-streaming-kafka-0-10_2.12 |
初始化 StreamingContext
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。
import org.apache.spark._
import org.apache.spark.streaming._
val conf = new SparkConf().setAppName(appName).setMaster(master)
val ssc = new StreamingContext(conf, Seconds(1))
appName参数是应用程序在集群UI上显示的名称。 master是Spark,YARN群集URL,或者是在本地模式下运行的特殊"local [*]"字符串。实际上,在群集上运行时,您不希望在程序中对master进行硬编码,而是使用spark-submit启动指定–master配置。但是,对于本地测试和单元测试,您可以传递“local [*]”以在进程中运行Spark Streaming(系统会自动检测本地系统的核的数目)。
请注意ssc会在内部创建一个SparkContext(所有Spark功能的起点),如果需要获取SparkContext对象用户可以调用ssc.sparkContext访问。例如用户使用SparkContext关闭日志。
val conf = new SparkConf()
.setMaster("local[5]")
.setAppName("wordCount")
val ssc = new StreamingContext(conf,Seconds(1))
//关闭其他日志
ssc.sparkContext.setLogLevel("FATAL")
必须根据应用程序的延迟要求和可用的群集资源设置批处理间隔。要使群集上运行的Spark Streaming应用程序保持稳定,系统应该能够以接收数据的速度处理数据。换句话说,批处理数据应该在生成时尽快处理。通过监视流式Web UI中的处理时间可以找到是否适用于应用程序,其中批处理时间应小于批处理间隔。
val conf = new SparkConf()
.setMaster("local[5]")
.setAppName("wordCount")
val sc = new SparkContext(conf)
val ssc = new StreamingContext(sc,Seconds(1))
当用户创建完StreamingContext对象之后,用户需要完成以下步骤
- 定义数据源,用于创建输入的 DStreams.
- 定义流计算算子,通过定义这些算子实现对DStream数据转换和输出
- 调用
streamingContext.start()
启动数据.- 等待计算结束 (人工结束或者是错误) 调用
streamingContext.awaitTermination()
.- 如果是人工结束,泳衣调用
streamingContext.stop()
结束流计算.
重要因素需要谨记
- 一旦流计算启动,无法再往计算流程中添加计算算子
- 一旦SparkContext对象被stop后,无法重启。
- 一个JVM系统中只能实例化一个StreamingContext对象。
- SparkContext被stop()后,内部创建的SparkContext也会被stop.如果仅仅是想Stop StreamingContext, 可以设置
stop()
中的可选参数stopSparkContext=false
即可.
ssc.stop(stopSparkContext = false)
- 一个SparkContext 可以重复使用并且创建多个StreamingContexts, 前提是上一个启动的StreamingContext 被停止了(但是并没有关闭 SparkContext对象) 。
Discretized Streams (DStreams)
Discretized Stream或DStream是Spark Streaming提供的基本抽象。它表示连续的数据流,可以是从源接收的输入数据流,也可以是通过转换输入流生成的已处理数据流。在内部,DStream由一系列连续的RDD表示,这是Spark对不可变分布式数据集的抽象。DStream中的每个RDD都包含来自特定时间间隔的数据,如下图所示。
应用于DStream的任何操作都转换为底层RDD上的操作。例如,在先前Quick Start
示例中,flatMap操作应用于行DStream中的每个RDD以生成单词DStream的RDD。如下图所示。
这些底层RDD转换由Spark引擎计算。 DStream操作隐藏了大部分细节,并为开发人员提供了更高级别的API以方便使用。
Input DStreams and Receivers
Input DStream是表示从流源接收的输入数据流。在Quick Start
示例中,lines是输入DStream,因为它表示从netcat服务器接收的数据流。每个输入DStream(file stream除外,稍后讨论)都与Receiver对象相关联,该对象从源接收数据并将其存储在Spark的内存中进行处理。
Spark Streaming提供两类内置streaming sources。
- Basic Source :StreamingContext API中直接提供的源。示例:filesystem和socket连接。
- Advanced sources:像Kafka,Flume等来源可通过额外的实用程序类获得。这些需要链接到额外的依赖项.
请注意,如果要在流应用程序中并行接收多个数据流,可以创建多个输入DStream,这将创建多个Receiver,这些Receiver将同时接收多个数据流。但请注意,Spark worker / executor是一个长期运行的任务,因此它占用了分配给Spark Streaming应用程序的其中一个core。因此,重要的是要记住,Spark Streaming应用程序需要分配足够的cores(或线程,如果在本地运行)来处理接收的数据,以及运行Receiver。
- 在本地运行Spark Streaming程序时,请勿使用“local”或“local [1]”作为主URL。这两种方法都意味着只有一个线程将用于本地运行任务。如果您正在使用基于Receiver的输入DStream(例如Socket,Kafka,Flume等),那么将使用单个线程来运行Receiver,而不留下用于处理接收数据的线程。因此,在本地运行时,始终使用“local [n]”作为主URL,其中n>number receivers。
- 同样道理在集群上运行时,分配给Spark Streaming应用程序的核心数必须大于Receiver数。否则系统将接收数据,但无法处理数据。
Basic Sources
我们已经在Quickstart
中查看了ssc.socketTextStream(…),该示例根据通过TCP Socket连接接收的文本数据创建DStream。除了套接字之外,StreamingContext API还提供了从文件创建DStream作为输入源的方法。
File Streams
对于从与HDFS API兼容的任何文件系统(即HDFS,S3,NFS等)上的文件读取数据,可以通过StreamingContext.fileStream [KeyClass,ValueClass,InputFormatClass]创建DStream。文件流不需要运行Receiver,因此不需要为接收文件数据分配任何core。
对于简单的文本文件,最简单的方法是StreamingContext.textFileStream(dataDirectory)
通用文件
streamingContext.fileStream[KeyClass, ValueClass, InputFormatClass](dataDirectory)
val conf = new SparkConf()
.setMaster("local[5]")
.setAppName("wordCount")
val ssc = new StreamingContext(conf,Seconds(5))
ssc.sparkContext.setLogLevel("FATAL")
ssc.textFileStream("hdfs://192.168.239.131:9000//demo/words")
.flatMap(line=>line.split(" "))
.map((_,1))
.reduceByKey(_+_)
.print()
ssc.start()
ssc.awaitTermination()
文本文件
streamingContext.textFileStream(dataDirectory)
val conf = new SparkConf()
.setMaster("local[5]")
.setAppName("wordCount")
val ssc = new StreamingContext(conf,Seconds(5))
ssc.sparkContext.setLogLevel("FATAL")
ssc.fileStream[LongWritable,Text,TextInputFormat]("hdfs://192.168.239.131:9000//demo/words")
.flatMap(line=>line._2.toString.split(" "))
.map((_,1))
.reduceByKey(_+_)
.print()
ssc.start()
ssc.awaitTermination()
测试:
[root@CentOS ~]# hdfs dfs -put install.log /
[root@CentOS ~]# hdfs dfs -mv /install.log /demo/wrods/
注意 在使用采集hdfs系统数据的时候,必须先将需要采集的文件上传到非监测目录,等文件上传结束后将数据mv到采样目录,否则spark采集不到数据,原因如下:
“Full” Filesystems such as HDFS tend to set the modification time on their files as soon as the output stream is created. When a file is opened, even before data has been completely written, it may be included in the DStream
- after which updates to the file within the same window will be ignored. That is: changes may be missed, and data omitted from the stream.
因此需要保证:
1.这些文件具有相同的格式
2.这些文件通过原子移动或重命名文件的方式在dataDirectory创建
3.一旦移动这些文件,就不能再进行修改,如果在文件中追加内容,这些追加的新数据也不会被读取。
Queue of RDDs as a Stream
为了使用测试数据测试Spark Streaming应用程序,还可以使用streamingContext.queueStream(queueOfRDDs)基于RDD队列创建DStream。推入队列的每个RDD将被视为DStream中的一批数据,并像流一样处理。
val conf = new SparkConf()
.setMaster("local[5]")
.setAppName("wordCount")
val ssc = new StreamingContext(conf,Seconds(5))
val sc = ssc.sparkContext
sc.setLogLevel("FATAL")
val queue=new mutable.Queue[RDD[String]]();
ssc.queueStream(queue)
.flatMap(line=>line.split("\\W+"))
.map(word=>(word,1))
.reduceByKey(_+_)
.print()
ssc.start()
for(i <- 1 to 30){
queue += sc.makeRDD(List("this is a demo","hello how are you"))
Thread.sleep(1000)
}
ssc.stop()
Advanced Sources
此类Source需要与外部非Spark库连接,其中一些库具有复杂的依赖性(例如,Kafka和Flume)。因此,为了最大限度地减少与依赖项版本冲突相关的问题,从这些源创建DStream的功能已移至可在必要时显式链接的单独库。请注意,Spark shell中不提供这些高级源,因此无法在shell中测试基于这些高级源的应用程序。如果您真的想在Spark shell中使用它们,则必须下载相应的Maven工件JAR及其依赖项,并将其添加到类路径中。演示Kafka和Spark流处理集成。
下载依赖
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-streaming-kafka-0-10_2.11</artifactId>
<version>${spark.version}</version>
</dependency>
val conf = new SparkConf()
.setMaster("local[5]")
.setAppName("wordCount")
val ssc = new StreamingContext(conf,Seconds(5))
ssc.sparkContext.setLogLevel("FATAL")
val kafkaParams = Map[String, Object](
"bootstrap.servers" -> "CentOS:9092,CentOS:9093,CentOS:9094",
"key.deserializer" -> classOf[StringDeserializer],
"value.deserializer" -> classOf[StringDeserializer],
"group.id" -> "group1",
"auto.offset.reset" -> "latest",
"enable.auto.commit" -> (false: java.lang.Boolean)
)
val topics = Array("topic01")
KafkaUtils.createDirectStream(ssc,
PreferConsistent,
Subscribe[String,String](topics,kafkaParams)
).map(record => record.value())
.flatMap(line=>line.split("\\W+"))
.map((_,1))
.reduceByKey(_+_)
.print()
ssc.start()
ssc.awaitTermination()