Structured Streaming

最新推荐文章于 2023-11-08 19:45:11 发布

塞纳河畔的王子

最新推荐文章于 2023-11-08 19:45:11 发布

阅读量448

点赞数

本文链接：https://blog.csdn.net/qq_38078738/article/details/106311790

版权

大数据专栏收录该内容

12 篇文章 0 订阅

订阅专栏

Structured Streaming

Structured Streaming是什么

Structured Streaming是一个scalable和fault-tolerant的流处理引擎（泛指使用SQL操作Spark的流处理）该引擎构建在Spark SQL之上，使得用户可以用静态批处理的方式去处理流计算任务。Structured Streaming底层弃用Spark SQL引擎对流数据做增量和持续的更新计算，并且输出最终结果。用户可以使用 Dataset/DataFrame API完成流处理过程中的常见问题：aggregations-聚合统计、event-time window-事件窗口、stream-to-batch/stream-to-stream join -连接等功能。Structured Streaming可以通过checkpoint （检查点）和 Write-Ahead Logs（写前日志）机制实现end-to-end（端到端）、exactly-once（精准一次）语义容错机制。简而言之，Structured Streaming提供快速、可扩展、容错、端到端的精准一次的流处理机制，无需用户过多的干预。

Structured Streaming底层计算引擎默认采取的是micro-batch处理引擎（与DStreams一致），除此之外Spark还提供了其它的处理模型可供选择：micro-batch-100ms、Fixed interval micro-batches、One-time micro-batch、Continuous Processing-1ms(实验)。

快速入门

pom.xml 文件

<properties>
    <spark.version>2.4.3</spark.version>
    <scala.version>2.11</scala.version>
</properties>
<dependencies>
    <dependency>
        <groupId>org.apache.spark</groupId>
        <artifactId>spark-sql_${scala.version}</artifactId>
        <version>${spark.version}</version>
    </dependency>
</dependencies>

Driver 程序

//1.创建SparkSession对象
val spark = SparkSession
.builder
.appName("StructuredNetworkWordCount")
.master("local[5]")
.getOrCreate()
import spark.implicits._
spark.sparkContext.setLogLevel("FATAL")
//2.通过流的方式创建Dataframe - 细化
val lines = spark.readStream
.format("socket")
.option("host", "centos")
.option("port", 9999)
.load()
//3.执行SQL操作 API  - 细化
val wordCounts = lines.as[String].flatMap(_.split(" "))
.groupBy("value").count()
//4.构建StreamQuery 将结果写出去 - 细化
val query = wordCounts.writeStream
.outputMode("complete") //表示全量输出，等价于updateStateByKey
.format("console")
.start()
//5.关闭流
query.awaitTermination()

常规概念

在结构化流处理中，关键思想是将实时数据流视为被连续追加的表，将输入数据流视为Input Table，流上到达的每个数据项都像是将新行附加到Input Table中。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-9YyvoqCQ-1590288732996)(…/图片/1570693628976.png)]

对Input Table的查询将生成Result Table，每个触发间隔（例如，每隔1秒钟），新行将附加到Input Table中，最终更新Result Table，无论何时更新Result Table，我们都希望将更改后的结果行写入外部接收器（sink）。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-uK974dcN-1590288733000)(…/图片/1570694216166.png)]

输出定义为写到外部存储器，支持以下模式的输出：

Complete Mode（有状态） - 整个更新的结果表将被写入外部存储器，由存储连接器决定如何处理整个表的写入
Update Mode（有状态） - 自上次触发以来，仅将结果表中已更新的行写入外部存储器（Spark 2.1.1），如果没有聚合操作，该策略等价于Append Mode
Append Mode（无状态） - 自上次触发以来，仅将追加到结果表中的新行写入外部存储，这仅适用于结果表中现有行预计不会更改的查询（Append也可以用在含有聚合操作的查询中，但是仅仅局限于窗口计算 -后续讨论）

注意

Spark 不会存储Input Table中的数据，一旦处理完数据，就将接收的数据丢弃。Spark维护的仅仅是计算的中间结果（状态）
Structured Streaming的好处在于用户无需维护计算的状态（相比较于Storm的流处理），Spark自身可以实现end-to-end（端到端）、exactly-once（精准一次）语义容错机制

输入和输出

输入

Kafka source√

<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-sql-kafka-0-10_${scala.version}</artifactId>
    <version>${spark.version}</version>
</dependency>

//1.创建SparkSession对象
val spark = SparkSession
.builder
.appName("StructuredNetworkWordCount")
.master("local[6]")
.getOrCreate()
import spark.implicits._
spark.sparkContext.setLogLevel("FATAL")
//2.通过流的方式创建Dataframe
val df = spark.readStream
    .format("kafka")
    .option("kafka.bootstrap.servers", "centos:9092")
    .option("subscribe", "topic01")
    .load()
//3.执行SQL操作 API
import org.apache.spark.sql.functions._
val wordCounts = df.selectExpr("CAST(key AS STRING)", "CAST(value AS STRING)", "partition", "offset", "CAST(timestamp AS LONG)")
    .flatMap(row => row.getAs[String]("value").split("\\s+"))
    .map((_, 1))
    .toDF("word", "num")
    .groupBy($"word")
    .agg(sum($"num"))
//4.构建StreamQuery 将结果写出去
val query = wordCounts.writeStream
    .outputMode(OutputMode.Update())
    .format("console")
    .start()
//5.关闭流
query.awaitTermination()

File Source√

//1.创建SparkSession对象
val spark = SparkSession
.builder
.appName("StructuredNetworkWordCount")
.master("local[6]")
.getOrCreate()
import spark.implicits._
spark.sparkContext.setLogLevel("FATAL")
//2.通过流的方式创建Dataframe - 细化
val schema = new StructType()
.add("id",IntegerType)
.add("name",StringType)
.add("age",IntegerType)
.add("dept",IntegerType)
val df = spark.readStream
.schema(schema)
.format("json")
.load("file:///D:/demo/json")
//3.SQL操作
// 略
//4.构建StreamQuery 将结果写出去
val query = df.writeStream
.outputMode(OutputMode.Update())
.format("console")
.start()
//5.关闭流
query.awaitTermination()

输出

File sink√

//1.创建SparkSession对象
val spark = SparkSession
.builder
.appName("filesink")
.master("local[6]")
.getOrCreate()
import spark.implicits._
spark.sparkContext.setLogLevel("FATAL")
//2.通过流的方式创建Dataframe - 细化
val lines = spark.readStream
.format("socket")
.option("host", "centos")
.option("port", 9999)
.load()
//3.创建DF
val wordCounts=lines.as[String].flatMap(_.split("\\s+"))
.map((_,1))
.toDF("word","num")
//4.构建SparkStream 将结果写出去
val query = wordCounts.writeStream
.outputMode(OutputMode.Append())
.option("path", "file:///D:/write/json")
.option("checkpointLocation", "file:///D:/checkpoints") //需要指定检查点
.format("json")
.start()
//5.关闭流
query.awaitTermination()

仅仅支持Append Mode，一般用作数据清洗，不能做为数据分析（聚合）输出

Kafka Sink√

//1.创建SparkSession对象
val spark = SparkSession
.builder
.appName("filesink")
.master("local[6]")
.getOrCreate()
import spark.implicits._
spark.sparkContext.setLogLevel("FATAL")
//2.通过流的方式创建Dataframe - 细化
val lines = spark.readStream
.format("socket")
.option("host", "centos")
.option("port", 9999)
.load()
//3.创建DF
//001 zs iphone 5000
//import org.apache.spark.sql.functions._
val userCost=lines.as[String].map(_.split("\\s+"))
.map(ts=>(ts(0),ts(1),ts(3).toDouble))
.toDF("id","name","cost")
.groupBy("id","name")
.sum("cost")
.as[(String,String,Double)]
.map(t=>(t._1,t._2+"\t"+t._3))
.toDF("key","value") //输出字段中必须有value string类型
//4.构建SparkStream 将结果写出去
val query = userCost.writeStream
    .outputMode(OutputMode.Update())
    .format("kafka")
    .option("topic","topic02")
    .option("kafka.bootstrap.servers","centos:9092")
    .option("checkpointLocation","file:///D:/checkpoints01") //设置程序的检查点目录
    .start()
//5.关闭流
query.awaitTermination()

支持Append、Update、Complete输出模式

Foreach sink√

使用foreach和foreachBatch操作，您可以在流查询的输出上应用任意操作并编写逻辑。它们的用例略有不同 - 尽管foreach允许在每行上使用自定义写逻辑，而foreachBatch允许在每个微批处理的输出上进行任意操作和自定义逻辑。

ForeachBatch

foreachBatch（...）允许您指定在流查询的每个微批处理的输出数据上执行的函数。从Spark 2.4开始，Scala，Java和Python支持此功能。它具有两个参数：具有微批处理的输出数据的DataFrame或Dataset和微批处理的唯一ID。

//2.通过流的方式创建Dataframe - 细化
val lines = spark.readStream
.format("socket")
.option("host", "centos")
.option("port", 9999)
.load()
//3.创建Dataframe
//001 zhangsan iphone 15000
val userCost=lines.as[String].map(_.split("\\s+"))
    .map(ts=>(ts(0),ts(1),ts(3).toDouble))
    .toDF("id","name","cost")
    .groupBy("id","name")
    .sum("cost")
    .as[(String,String,Double)]
    .map(t=>(t._1,t._2+"\t"+t._3))
    .toDF("key","value") //输出字段中必须有value string类型
userCost.printSchema()
//4.构建SparkStream 将结果写出去
val query = userCost.writeStream
.outputMode(OutputMode.Update())
.foreachBatch((ds:Dataset[Row],bacthId)=>{
    ds.show()
})
.start()
//5.关闭流
query.awaitTermination()

使用foreachBatch，可以执行以下操作：

使用现有的批处理当中的Writer或者是Sink将数据写出到外围系统
可以将数据集合写到多个地方

streamingDF.writeStream.foreachBatch { (batchDF: DataFrame, batchId: Long) =>
  batchDF.persist() //缓存
  batchDF.write.format(...).save(...) // location 1
  batchDF.write.format(...).save(...) // location 2
  batchDF.unpersist() //释放缓存
}

可以获取Dataset或者Dataframe执行额外的SQL操作

Foreach

如果不使用foreachBatch，则可以使用foreach表达自定义Writer将数据写到外围系统。具体来说，您可以通过自定Writer将数据写到外围系统：open，process和close。从Spark 2.4开始，foreach在Scala，Java和Python中可用。

//1.创建SparkSession对象
val spark = SparkSession
.builder
.appName("filesink")
.master("local[6]")
.getOrCreate()
import spark.implicits._
spark.sparkContext.setLogLevel("FATAL")
//2.通过流的方式创建Dataframe - 细化
val lines = spark.readStream
.format("socket")
.option("host", "centos")
.option("port", 9999)
.load()
//3.创建Dataframe
//001 zhangsan iphone 15000
import org.apache.spark.sql.functions._
val userCost=lines.as[String].map(_.split("\\s+"))
.map(ts=>(ts(0),ts(1),ts(3).toDouble))
.toDF("id","name","cost")
.groupBy("id","name")
.agg(sum("cost") as "cost")
//4.构建StreamQuery 将结果写出去
val query = userCost.writeStream
.outputMode(OutputMode.Update())
.foreach(new ForeachWriter[Row] {
    override def open(partitionId: Long, epochId: Long): Boolean = {//开启事务
        // println(s"open:${partitionId},${epochId}") 
        return true //返回true，系统调用 process ，然后调用 close
    }
    override def process(value: Row): Unit = {
        val id=value.getAs[String]("id")
        val name=value.getAs[String]("name")
        val cost=value.getAs[Double]("cost")
        println(s"${id},${name},${cost}") //提交事务
    }
    override def close(errorOrNull: Throwable): Unit = {
        //println("close:"+errorOrNull) //errorOrNull！=nul 回滚事务 
    }
})
.start()
//5.关闭流
query.awaitTermination()

窗口计算（前闭后开时间区间）

快速入门

滑动事件时间窗口上的聚合对于结构化流而言非常简单，与分组聚合非常相似，时间是嵌入在数据当中

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-nCUv3cWl-1590288733003)(…/图片/1570775418343.png)]

//1.创建SparkSession对象
val spark = SparkSession
.builder
.appName("windowWordcount")
.master("local[6]")
.getOrCreate()
import spark.implicits._
spark.sparkContext.setLogLevel("FATAL")
//2.通过流的方式创建Dataframe - 细化
val lines = spark.readStream
.format("socket")
.option("host", "centos")
.option("port", 9999)
.load()
//3.执行SQL操作 API
//a 时间戳Long
import org.apache.spark.sql.functions._
val wordCounts = lines.as[String].map(_.split("\\s+"))
.map(ts => (ts(0), new Timestamp(ts(1).toLong), 1))
.toDF("word", "timestamp", "num")
.groupBy(
    window($"timestamp", "4 seconds", "2 seconds"),
    $"word")
.agg(sum("num") as "sum")
.map(row=> {
    val start = row.getAs[Row]("window").getAs[Timestamp]("start")
    val end = row.getAs[Row]("window").getAs[Timestamp]("end")
    val word = row.getAs[String]("word")
    val sum = row.getAs[Long]("sum")
    (start,end,word,sum)
}).toDF("start","end","word","sum")

wordCounts.printSchema()

//4.构建StreamQuery 将结果写出去
val query = wordCounts.writeStream
.outputMode(OutputMode.Complete())
.format("console")
.start()
//5.关闭流
query.awaitTermination()

Late Data & Watermarking

在基于窗口的流处理过程中，由于网络传输的问题，数据到达计算节点时有可能出现乱序，比如说计算节点已经读到12:11的数据且完成计算，也就意味着12:00~12:10的窗口已经触发过了，后续抵达的数据的时间正常来说一定是12:11以后的数据，但是在实际的应用场景中，由于网络延迟或者故障导致出现乱序的数据，例如在12:11接收到了12:04的数据，此时Spark需要将12:04产生的数据添加到12:00 ~ 12:10的窗口中，也就意味着Spark会一直存储12:00 ~ 12:10窗口的计算状态，在默认情况下，Spark会一直留存窗口的计算状态，以保证乱序的数据可以正常加入到窗口计算中。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-BECSHGDf-1590288733006)(…/图片/1570780801158.png)]

由于流处理不同于批处理，需要24*7小时不间断的工作，因此，对于流处理而言长时间存储计算的中间状态不太切合实际，为此我们需要告诉计算引擎什么时候可以丢弃计算的中间状态。在Spark2.1提出Watermarking机制，可以让计算引擎知道什么时候该丢弃窗口的计算状态。watermarker的计算公式：max event time seen by the engine - late threshold，当窗口的endtime T值 < watermarker，这个时候Spark就可以丢弃该窗口的计算状态，如果后续还有数据落入到已经被淹没的窗口中，则称该数据为Late data。由于窗口被淹没，因此窗口的状态就没法保证一定存在（Spark会尝试清理那些已经被淹没的窗口状态），迟到越久的数据被处理的几率越低。

一般情况下，窗口触发的条件是：Watermarking >= 窗口 end time，窗口输出的结果一般是FinalResult，但是在Structured Streaming中Watermarking仅仅控制计算引擎什么时候该删除窗口计算的中间状态。如果用户想输出FinalResult，也就意味着只有当Watermarking >= 窗口 end time的时候才输出结果，用户必须配合Append输出模式。

注意：在使用水位线机制的时候，用户不能使用Complete 输出模式

update输出

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Iv6wrg9L-1590288733008)(…/图片/1570783473098.png)]

输出条件：
1. 有数据落入到窗口
2. 水位线没有没过
注意

窗口可能会多次触发，但是一旦水位线没过窗口的end time，数据有可能就会被丢弃

//1.创建sparksession
val spark = SparkSession
.builder
.appName("windowWordcount")
.master("local[6]")
.getOrCreate()
import spark.implicits._
spark.sparkContext.setLogLevel("FATAL")
//2.通过流的方式创建Dataframe - 细化
val lines = spark.readStream
.format("socket")
.option("host", "centos")
.option("port", 9999)
.load()
//3.执行SQL操作 API
// a 时间戳Long
import org.apache.spark.sql.functions._
val wordCounts = lines.as[String].map(_.split("\\s+"))
.map(ts => (ts(0), new Timestamp(ts(1).toLong), 1))
.toDF("word", "timestamp", "num")
.withWatermark("timestamp", "1 second")
.groupBy(
    window($"timestamp", "4 seconds", "2 seconds"),
    $"word")
.agg(sum("num") as "sum")
.map(row=> {
    val start = row.getAs[Row]("window").getAs[Timestamp]("start")
    val end = row.getAs[Row]("window").getAs[Timestamp]("end")
    val word = row.getAs[String]("word")
    val sum = row.getAs[Long]("sum")
    (start,end,word,sum)
}).toDF("start","end","word","sum")

wordCounts.printSchema()

//4.构建StreamQuery 将结果写出去
val query = wordCounts.writeStream
.outputMode(OutputMode.Update())
.format("console")
.start()
//5.关闭流
query.awaitTermination()

Append

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-8mwAwfcd-1590288733010)(…/图片/1570783542673.png)]

输出条件

必须是水位线 >= 窗口的end time

//1.创建sparksession
val spark = SparkSession
.builder
.appName("windowWordcount")
.master("local[6]")
.getOrCreate()
import spark.implicits._
spark.sparkContext.setLogLevel("FATAL")
//2.通过流的方式创建Dataframe - 细化
val lines = spark.readStream
.format("socket")
.option("host", "centos")
.option("port", 9999)
.load()
//3.执行SQL操作 API
// a 时间戳Long
import org.apache.spark.sql.functions._
val wordCounts = lines.as[String].map(_.split("\\s+"))
.map(ts => (ts(0), new Timestamp(ts(1).toLong), 1))
.toDF("word", "timestamp", "num")
.withWatermark("timestamp", "1 second")
.groupBy(
    window($"timestamp", "4 seconds", "2 seconds"),
    $"word")
.agg(sum("num") as "sum")
.map(row=> {
    val start = row.getAs[Row]("window").getAs[Timestamp]("start")
    val end = row.getAs[Row]("window").getAs[Timestamp]("end")
    val word = row.getAs[String]("word")
    val sum = row.getAs[Long]("sum")
    (start,end,word,sum)
}).toDF("start","end","word","sum")

wordCounts.printSchema()

//4.构建StreamQuery 将结果写出去
val query = wordCounts.writeStream
.outputMode(OutputMode.Append())
.format("console")
.start()
//5.关闭流
query.awaitTermination()

从严格意义上说，Spark并没有提供对too late数据（在其它的流处理框架中被称为迟到，所谓late数据被称为乱序数据）的处理机制，默认策略是丢弃。Storm和Flink都提供了对too late数据的处理方案，这一点Spark有待提高。

Join 操作

Structured Streaming不仅支持static的Dataset/Dataframe，还支持流中的Dataset/Dataframe

Stream-static Joins

//1.创建SparkSession对象
val spark = SparkSession
.builder
.appName("windowWordcount")
.master("local[6]")
.getOrCreate()
import spark.implicits._
spark.sparkContext.setLogLevel("FATAL")
//2.通过流的方式获取日志信息
//001 apple 2 4.5
val orderLines = spark.readStream
.format("socket")
.option("host", "cenntos")
.option("port", 9999)
.load()
//3.创建Dataframe
import org.apache.spark.sql.functions._
val orderDF = orderLines.as[String].map(_.split("\\s+"))
.map(ts => (ts(0), ts(1), ts(2).toInt, ts(3).toDouble))
.toDF("id", "name", "count", "price")
val userDF = List(("001","zhangsan"),("002","lisi"),("003","wangwu")).toDF("uid","name")
//等价于 userDF.join(orderDF,expr("id=uid"),"right_outer")
val result = userDF.join(orderDF,$"id" ===$"uid","right_outer")
//4.构建StreamQuery 将结果写出去
val query = result.writeStream
.outputMode(OutputMode.Append())
.format("console")
.start()
//5.关闭流
query.awaitTermination()

stream-static支持 inner、left_outer | static-stream支持 inner、right_outer

Stream-stream Joins

在Spark 2.3中，我们添加了对流流连接的支持，即您可以连接两个流Dataset/ DataFrame。流流join的最大挑战是系统需要缓存流的信息，然后和后续输入的数据进行join，也就意味着Spark需要缓存流的中间状态，这就给框架的内存带来很大的压力，因此在Structured Streaming中引入watermarker的概念，作用是为了限制state的存活时间，告知spark在什么时候可以释放流处理过程中的中间状态。

内连接可以使用任意一个column作为连接条件，然而在stream开始运行计算任务的时候，流计算的中间状态会持续的增长，因为必须存储所有传递过来的状态数据，才能和后续新接收的数据做匹配。为了避免无限制的状态存储。一般需要定义额外的join条件。例如限制一些old数据，如果和新数据的时间间隔大于某个阈值就不能进行匹配，从而可以删除一些陈旧的状态。简单来说需要做以下步骤：

两边流计算需要定义watermarker延迟，这样系统才知道两个流的时间差值
定制event time的限制条件，这样计算引擎可以计算出哪些old数据已经不再需要，可以使用以下两种方式界定时间范围，如：
JOIN ON leftTime BETWEEN rightTime AND rightTime + INTERVAL 1 HOUR (Range join)
基于Event-time Window 例如：JOIN ON leftTimeWindow = rightTimeWindow （window join）

range

//1.创建SparkSession对象
val spark = SparkSession
.builder
.appName("windowWordcount")
.master("local[6]")
.getOrCreate()
import spark.implicits._
spark.sparkContext.setLogLevel("FATAL")
//2.通过流的方式获取日志信息
//001 apple 2 4.5 1566113400000 2019-08-18 15:30:00
val orderLines = spark.readStream
.format("socket")
.option("host", "centos")
.option("port", 9999)
.load()
//001 zhangsan 1566113400000 2019-08-18 15:30:00
val userLogin = spark.readStream
.format("socket")
.option("host", "centos")
.option("port", 8888)
.load()
//3.创建Dataframe
import org.apache.spark.sql.functions._
val userDF = userLogin.as[String].map(_.split("\\s+"))
.map(ts => (ts(0), ts(1),new Timestamp(ts(2).toLong)))
.toDF("uid","uname","tlogin")
.withWatermark("tlogin","1 seconds")
val orderDF = orderLines.as[String].map(_.split("\\s+"))
.map(ts => (ts(0), ts(1), ts(2).toInt, ts(3).toDouble,new Timestamp(ts(4).toLong)))
.toDF("id", "name", "count", "price","torder")
.withWatermark("torder","1 second")
val joinExpr=
	 """
        id=uid AND
        torder >=  tlogin AND
        torder <=  tlogin +  interval 2 seconds
      """
val result=userDF.join(orderDF, expr(joinExpr),"left_outer")
//4.构建StreamQuery 将结果写出去
val query = result.writeStream
.outputMode(OutputMode.Append())
.format("console")
.start()
//5.关闭流
query.awaitTermination()

window

//1.创建SparkSession对象
val spark = SparkSession
.builder
.appName("windowWordcount")
.master("local[6]")
.getOrCreate()
import spark.implicits._
spark.sparkContext.setLogLevel("FATAL")
//2.通过流的方式获取日志信息
//001 apple 2 4.5 1566113400000 2019-08-18 15:30:00
val orderLines = spark.readStream
.format("socket")
.option("host", "centos")
.option("port", 9999)
.load()
//001 zhangsan 1566113400000 2019-08-18 15:30:00
val userLogin = spark.readStream
.format("socket")
.option("host", "centos")
.option("port", 8888)
.load()
//3.创建Dataframe
import org.apache.spark.sql.functions._
val userDF = userLogin.as[String].map(_.split("\\s+"))
.map(ts => (ts(0), ts(1),new Timestamp(ts(2).toLong)))
.toDF("uid","uname","tlogin")
.withWatermark("tlogin","1 seconds")
.withColumn("leftWindow",window($"tlogin","10 seconds","5 seconds"))
val orderDF = orderLines.as[String].map(_.split("\\s+"))
.map(ts => (ts(0), ts(1), ts(2).toInt, ts(3).toDouble,new Timestamp(ts(4).toLong)))
.toDF("id", "name", "count", "price","torder")
.withWatermark("torder","1 second")
.withColumn("rightWindow",window($"torder","10 seconds","5 seconds"))
val joinExpr=
	 """
        id=uid AND leftWindow = rightWindow
      """
val result=userDF.join(orderDF, expr(joinExpr))
//4.构建StreamQuery 将结果写出去
val query = result.writeStream
.outputMode(OutputMode.Append())
.format("console")
.start()
//5.关闭流
query.awaitTermination()

将任务打包递交给集群

id name count price time category
1 zhangsan 2 3.5 2019-10-10 10:10:00 水果
1 zhangsan 1 1500 2019-10-10 10:10:00 手机
...
统计出用户年度总消费 - kafka
1 zhangsan 水果  2000
1 zhangsan 手机  5000
...

import java.util.regex.Pattern
import org.apache.spark.sql.SparkSession
import org.apache.spark.sql.streaming.OutputMode

object UserOrderAnalyzer {
  def main(args: Array[String]): Unit = {
    //1.创建SparkSession对象
    val spark = SparkSession.builder()
      .appName("UserOrderAnalyzer")
      .master("spark://centos:7077")
      .getOrCreate()
    import  spark.implicits._
    spark.sparkContext.setLogLevel("FATAL")
    //2.通过流的方式获取日志信息
    //1 zhangsan 2 3.5 2019-10-10 10:10:00 水果
    val userOrderLog = spark.readStream
      .format("kafka")
      .option("kafka.bootstrap.servers", "CentOS:9092")
      .option("subscribe", "topic01")
      .load().selectExpr("CAST(value AS STRING)")
    //自定义单行函数实现某个类别商品的一次消费小计
    spark.udf.register("order_cost",(count:Int,price:Double)=>{
      count*price
    })
    //3.创建Dataframe
    import org.apache.spark.sql.functions._
    val userOrderDF = userOrderLog.as[String]
      .filter(isLegal(_))
      .map(parse(_))
      .toDF("id", "name", "count", "price", "year", "channel")
      .selectExpr("id","name","order_cost(count,price) as cost","year","channel")
      .groupBy($"id", $"name", $"year")
      .agg(sum("cost") as "cost")
      .as[(Int,String,String,Double)]
      .map(t=>(t._1+":"+t._2,t._3+"\t"+t._4))
      .toDF("key","value")
    //4.构建SparkStream 将结果写出去
    val query= userOrderDF.writeStream
             .outputMode(OutputMode.Update())
             .option("kafka.bootstrap.servers", "centos:9092")
             .option("topic", "topic02")
             .option("checkpointLocation","hdfs:///checkpoints-UserOrderAnalyzer")
             .format("kafka")
     .start()
    //5.关闭流
    query.awaitTermination()
  }
  //校验日志信息是否合法
  def isLegal(log:String):Boolean={
    val regex="(\\d+)\\s(.*)\\s(\\d+)\\s(\\d+\\.\\d+)\\s(\\d{4}).*\\d{2}\\s(.*)"
    val pattern = Pattern.compile(regex)
    val matcher = pattern.matcher(log)
    matcher.matches()
  }
  //获取所需的元组类型数据
  def parse(log:String):(Int,String,Int,Double,String,String)={ //表达式中的()表示内容的抽取
    val regex="(\\d+)\\s(.*)\\s(\\d+)\\s(\\d+\\.\\d+)\\s(\\d{4}).*\\d{2}\\s(.*)" 
    val pattern = Pattern.compile(regex)
    val matcher = pattern.matcher(log)
    matcher.matches() //结果是Boolean类型
 (matcher.group(1).toInt,matcher.group(2),matcher.group(3).toInt,matcher.group(4).toDouble,matcher.group(5),matcher.group(6)) //结果是(Int,String,Int,Double,String,String)类型
  }
}

在项目中修改依赖pom.xml

<properties>
    <spark.version>2.4.3</spark.version>
    <scala.version>2.11</scala.version>
</properties>
<dependencies>
    <dependency>
        <groupId>org.apache.spark</groupId>
        <artifactId>spark-sql_${scala.version}</artifactId>
        <version>${spark.version}</version>
        <scope>provided</scope>
    </dependency>
    <dependency>
        <groupId>org.apache.spark</groupId>
        <artifactId>spark-sql-kafka-0-10_${scala.version}</artifactId>
        <version>${spark.version}</version>
    </dependency>
</dependencies>
<build>
    <plugins>
        <!--在执行package时候，将scala源码编译进jar-->
        <plugin>
            <groupId>net.alchim31.maven</groupId>
            <artifactId>scala-maven-plugin</artifactId>
            <version>4.0.1</version>
            <executions>
                <execution>
                    <id>scala-compile-first</id>
                    <phase>process-resources</phase>
                    <goals>
                        <goal>add-source</goal>
                        <goal>compile</goal>
                    </goals>
                </execution>
            </executions>
        </plugin>
        <!--将依赖jar打入到jar中-->
        <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>

任务提交（fat jar）

[root@centos spark-2.4.3]# ./bin/spark-submit 
		--master spark://centos:7077 
		--deploy-mode cluster 
		--class com.baizhi.demo.UserOrderAnalyzer 
		--total-executor-cores 6 
		/root/finalspark-1.0-SNAPSHOT.jar

远程jar下载（网络-不推荐）

[root@centos spark-2.4.3]# ./bin/spark-submit 
		--master spark://centos:7077								  
		--deploy-mode cluster 
		--class com.baizhi.demo.UserOrderAnalyzer 
		--total-executor-cores 6 
		--packages org.apache.spark:spark-sql-kafka-0-10_2.11:2.4.3
		/root/original-finalspark-1.0-SNAPSHOT.jar

一般情况下，企业内网服务器不允许连接外网

https://blog.csdn.net/u010454030>

                  </filters>
                </configuration>
            </execution>
        </executions>
    </plugin>
</plugins>

```

任务提交（fat jar）

[root@centos spark-2.4.3]# ./bin/spark-submit 
		--master spark://centos:7077 
		--deploy-mode cluster 
		--class com.baizhi.demo.UserOrderAnalyzer 
		--total-executor-cores 6 
		/root/finalspark-1.0-SNAPSHOT.jar

远程jar下载（网络-不推荐）

[root@centos spark-2.4.3]# ./bin/spark-submit 
		--master spark://centos:7077								  
		--deploy-mode cluster 
		--class com.baizhi.demo.UserOrderAnalyzer 
		--total-executor-cores 6 
		--packages org.apache.spark:spark-sql-kafka-0-10_2.11:2.4.3
		/root/original-finalspark-1.0-SNAPSHOT.jar

一般情况下，企业内网服务器不允许连接外网

https://blog.csdn.net/u010454030>

http://spark.apache.org/docs/latest/structured-streaming-programming-guide.html#window-operations-on-event-time

塞纳河畔的王子

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
Structured Streaming

Structured StreamingStructured Streaming是什么Structured Streaming是一个scalable和fault-tolerant的流处理引擎（泛指使用SQL操作Spark的流处理）该引擎构建在Spark SQL之上，使得用户可以用静态批处理的方式去处理流计算任务。Structured Streaming底层弃用Spark SQL引擎对流数据做增量和持续的更新计算，并且输出最终结果。用户可以使用 Dataset/DataFrame API完成流处理过程中的
复制链接

扫一扫