Spark Streaming 快速入门（理论）

0x00 教程内容

1. Spark Streaming 相关概念
2. Spark Streaming 编程基础

0x01 Spark Streaming 相关概念

1. Spark Streaming 介绍

Spark Streaming 是在 Spark 上建立的可扩展的、高吞吐量的、实时处理流数据的框架，数据可以来自于多种不同的源，例如 Kafka、Flume、HDFS/S3、Twitter、ZeroMQ 或者 TCP Socket 等。在这个 Spark Streaming 中，支持对流数据的各种运算，比如 map、reduce、join 等，处理完的数据可以存储到文件系统或者各种数据库。

Spark Streaming 的架构定位可以由下图表示：

左边是流数据源，右边是处理后输出数据的存储目标。在其内部，它的工作方式如下图所示：
Spark Streaming 接收实时输入的数据流，采用的方法是对流数据进行时间切片，分成小的数据片段，最后通过类似于批处理的方式去处理数据的片段。

2. DStream 介绍

DStream（离散化流） 是 Spark Streaming 提供的基本抽象，与 RDD 是 Spark 的基本抽象类似。它代表一个特定时间段内的数据形成的流，可以理解为就是一种数据流。它可以是从数据源中接收的输入数据流，也可以是通过转化输入流生成的已处理数据流。可以简单地理解为， DStream 是由一系列连续的 RDD 所组成的，每个 RDD 都是特定时刻的数据。比如下图：

一共有四个时间段（time0-1,time1-2,time2-3,time3-4），这些时间段内，可以产生很多个 RDD ，每个时间段内的 RDD 组成 DStream 。

其实，关于 DStream 上的任何操作都会转换 RDD 操作的。

对 DStream 运用 flatMap 操作其实是作用于每一个 RDD 操作。如下图所示：

DStream 相当于对 RDD 的再次封装 ，它提供了转化操作和输出操作两种操作方法。

0x02 Spark Streaming 编程基础

1. StreamingContext 的初始化

a. 创建 StreamingContext 对象

可以根据 SparkConf 对象创建 StreamingContext 对象：

import org.apache.spark._
import org.apache.spark.streaming._

val conf = new SparkConf().setAppName(appName).setMaster(master)
// 时间间隔设置为1秒
val ssc = new StreamingContext(conf, Seconds(1))

StreamingContext 内部会创建 SparkContext，通过如下方式获得：

ssc.sparkContext

StreamingContext 的主要用法如下：

1. 创建 DStreams 定义数据源
2. 使用 DStreams 的转化和输出操作
3. 接收数据：StreamingContext.start()
4. 等待处理结果：StreamingContext.awaitTermination()
5. 停止程序：StreamingContext.stop()

2. 输入源

每个Input DStreams（数据源) ，除了file stream，都会关联一个 Receiver（接收器）对象，接收器对象就可以接收数据源中的数据并存储到内存中。

Spark Streaming 提供了两种类型的内置数据源：

a. 基础数据源：可以直接使用 StreamingContext 的 API，比如文件系统、socket 连接、Akka等等；对于简单的文件，可以使用 streamingContext 的 textFileStream 方法处理。
b. 高级数据源：结合 Flume、Kafka、Kinesis、Twitter 等的工具类，作为数据源；注意使用这些数据源的时候，需要引用对应的依赖。

3. 转化操作

DStream 的转化操作分为无状态和有状态两种。无状态转化操作：每个批次的数据不依赖于之前批次的数据；有状态转化操作：需要使用之前批次的数据或者中间结果来计算当前批次的数据。

• 无状态转化操作
  DStream 的转化操作与 RDD 的转换操作类似，下面就以列表的方式简单说明：

转化操作	含义
map(func)	根据 func 函数生成一个新的 DStream
flatMap(func)	跟 map 方法类似，但是每一项可以返回多个值。func 函数的返回值是一个集合
union(otherStream)	取 2 个 DStream 的并集，得到一个新的 DStream
count()	计算 DStream 中所有 RDD 的个数
reduce(func)	计算 DStream 中的所有 RDD 通过 func 函数聚合得到的结果
countByValue()	如果 DStream 的类型为 K，那么返回一个新的 DStream，这个新的 DStream 中的元素类型是(K, Long)，K 是原先 DStream 的值，Long 表示这个 Key 有多少次
reduceByKey(func, [numTasks])	对于是键值对(K,V)的 DStream，返回一个新的 DStream 以 K 为键，各个 value 使用 func 函数操作得到的聚合结果为 value
join(otherStream, [numTasks])	基于(K, V)键值对的 DStream，如果对(K, W)的键值对 DStream 使用 join 操作，可以产生(K, (V, W))键值对的 DStream
cogroup(otherStream, [numTasks])	跟 join 方法类似，不过是基于(K, V)的 DStream，cogroup 基于(K, W)的 DStream，产生(K, (Seq[V], Seq[W]))的 DStream
transform(func)	基于 DStream 中的每个 RDD 调用 func 函数，func 函数的参数是个 RDD，返回值也是个 RDD
updateStateByKey(func)	对于每个 key 都会调用 func 函数处理先前的状态和所有新的状态

• 有状态转化操作
  有状态转化操作包括Window 操作（基于窗口的转化操作） 和 UpdateStateByKey 操作（追踪状态变化的转化操作）。

a. Window 操作（窗口操作）
Window 操作可以把几个批次的 DStream 合并成一个 DStream：

每个 window 操作都需要 2 个参数：

• 参数1（window length）：每个窗口对应的时间批次数，如上图中time1、2、3为一个 window，time3、4、5也是一个 window。
• 参数2（sliding interval）：每个窗口之间的间隔时间，可以看出上图下方的 window1、window3、window5 是间隔的，所以上图的这个值为 2。

b. UpdateStateByKey 操作

使用 UpdateStateByKey 方法需要做以下两步：

• 定义状态：状态可以是任意的数据类型
• 定义状态更新函数：这个函数需要根据输入流把先前的状态和所有新的状态

无论有没有新的数据进来，在每个批次中，Spark 都会对所有存在的 key 调用 func 函数，如果 func 函数返回 None，那么 key-value 键值对不会被处理。

举个例子，我们需要统计在一个文本输入流里每个单词的个数是多少：

def updateFunction(newValues: Seq[Int], runningCount: Option[Int]): Option[Int] = {
    val newCount = ...  // add the new values with the previous running count to get the new count
    Some(newCount)
}

runningCount 是一个状态并且是 Int 类型的，所以这个状态的类型是 Int，runningCount 是先前的状态，newValues 是所有新的状态，是一个集合。

updateStateByKey 方法可以直接调用此函数，如：

val runningCounts = pairs.updateStateByKey[Int](updateFunction _)

4. 输出操作

最终的 DStream 数据一般会输出到数据库、文件系统等外部系统中，一些有多种方式供大家参考：

输出操作	含义
print()	打印出 DStream 中每个批次的前 10 条数据
saveAsTextFiles(prefix, [suffix])	把 DStream 中的数据保存到文本文件里。每次批次的文件名根据参数 prefix 和 suffix 生成：”prefix-TIME_IN_MS[.suffix]”
saveAsObjectFiles(prefix, [suffix])	把 DStream 中的数据按照 Java 序列化的方式保存 Sequence 文件里，文件名规则跟 saveAsTextFiles 方法一样
saveAsHadoopFiles(prefix, [suffix])	把 DStream 中的数据保存到 Hadoop 文件里，文件名规则跟 saveAsTextFiles 方法一样
foreachRDD(func)	遍历 DStream 中的每段 RDD，遍历的过程中可以将 RDD 中的数据保存到外部系统中

将数据写到外部系统通常都需要一个 connection 对象，一种很好的方式就是使用 ConnectionPool，ConnectionPool 可以在多个批次和 RDD 中对 connection 对象进行重用。示例代码如下：

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：

• DStream由输出操作延迟执行，就像RDD由RDD操作延迟执行一样。具体来说，DStream输出操作内部的RDD动作会强制处理接收到的数据。因此，如果您的应用程序没有任何输出操作，或者dstream.foreachRDD()内部没有任何RDD操作，就没有输出操作。系统将仅接收数据并将其丢弃。
• 默认情况下，输出操作一次执行一次。它们按照在应用程序中定义的顺序执行。

参考官网：Output Operations on DStreams

0xFF 总结

1. 本篇教程为 Spark Streaming 的基础教程，后期还有实操教程，请留意本博客！
2. 官网写得非常好，请多查阅官网进行学习！

---

作者简介：邵奈一
全栈工程师、市场洞察者、专栏编辑
| 公众号 | 微信 | 微博 | CSDN | 简书 |

福利：
邵奈一的技术博客导航

邵奈一原创不易，如转载请标明出处，教育是一生的事业。

---