使用Apache Kafka构建实时数据流-数据见UserBehavior.csv

Spark Streaming+kafka任务实践

任务描述

Spark Streaming + Kafka（但是Python）

1. 使用Apache Kafka构建实时数据流

参考文档链接：https://cloud.tencent.com/developer/article/1814030

2. 数据见UserBehavior.csv

数据解释：本次实战用到的数据集是CSV文件，里面是一百零四万条淘宝用户行为数据，该数据来源是阿里云天池公开数据集

根据这一csv文档运用Kafka模拟实时数据流，作为Spark Streaming的输入源，两条记录实际的间隔时间如果是1分钟，那么Java应用在发送消息时也可以间隔一分钟再发送。

要求

1. • 找出最受欢迎的前三名商品ID
2. • 找出订单数量最多的日期。

环境使用的配置清单（大概）

• 操作系统：Windows 10
• 编程语言：Python 3
• IDE：PyCharm2021，
• 解释器：python3(但是配置的远程虚拟机上的python)，如果是本地模式可以直接用本机python
• 基于Kafka2.12_2.4.1+Spark3.1.2+Hadoop3.1.2+zookeeper平台
• Python包 依赖 kafka-python，pyspark，Kafka—Spark连接依赖包（放到Spark的jar包目录）

代码展示

数据生产者：

import csv
import json
import time
from kafka import KafkaProducer

# 配置Kafka连接信息
bootstrap_servers = 'node1:9092' #broke监听地址信息
topic = 'flink-user-behavior' #主题信息

# 创建Kafka生产者
producer = KafkaProducer(bootstrap_servers=bootstrap_servers,
                         value_serializer=lambda v: json.dumps(v).encode('utf-8'))

# 读取CSV文件并逐条上传数据到Kafka，这里我直接将csv文件放到了代码文件同一位置，你可以使用绝对路径来试试
with open('UserBehavior.csv', 'r') as file:
    reader = csv.reader(file)
    #header = next(reader)  # 文件没有表头无需跳过头行
    prev_timestamp = None  # 上一条数据的时间戳
    for row in reader:
        user_ID, product_ID, productsort_ID, behavior_data, time_data, date_string = row

        # 计算当前记录与上一条记录的时间差，以秒为单位
        current_timestamp = int(time_data)
        if prev_timestamp is not None:
            time_diff = current_timestamp - prev_timestamp

            # 如果时间差大于一分钟，则延迟一分钟上传
            if time_diff > 60:
                time.sleep(60)

        # 构建JSON对象
        data = {
            'user_ID': int(user_ID),
            'product_ID': int(product_ID),
            'productsort_ID': int(productsort_ID),
            'behavior_data': behavior_data,
            'time_data': int(time_data),
            'date_string': date_string
        }

        # 序列化为JSON并发送到Kafka
        producer.send(topic, value=data)

        # 更新上一条记录的时间戳
        prev_timestamp = current_timestamp

# 文件数据上传结束 关闭Kafka生产者
producer.close()

数据消费者代码：

from pyspark.sql import SparkSession
from pyspark.sql.functions import *
from pyspark.sql.types import *

# 创建SparkSession
spark = SparkSession.builder.appName("RealTimeAnalytics").getOrCreate()

# 配置Kafka连接信息
bootstrap_servers = 'node1:9092'
topic = 'flink-user-behavior'

# 定义Schema，根据实际数据结构进行调整
schema = StructType([
    StructField("user_ID", IntegerType()),
    StructField("product_ID", IntegerType()),
    StructField("productsort_ID", IntegerType()),
    StructField("behavior_data", StringType()),
    StructField("time_data", IntegerType()),
    StructField("date_string", StringType())
])
# 读取Kafka流数据
df1 = spark.readStream.format("kafka") \
    .option("kafka.bootstrap.servers", bootstrap_servers) \
    .option("subscribe", topic) \
    .load() \
    .selectExpr("CAST(value AS STRING)")

# 解析JSON数据
parsed_df0 = df1.select(from_json(col("value"), schema).alias("data")) \
    .select("data.*")
#parsed_df0.printSchema()#检查信息表创建是否正常
#parsed_df.printSchema()
parsed_df = parsed_df0.withColumn('date', to_date('date_string', 'yyyy/M/d H:m')).select("*")#将日期字符串修改为时间数据，不要忘记添加格式'yyyy/M/d H:m'

# # 检查数据是否整合好
total_amount_df = parsed_df.select(col("*"))
# 找出订单数量最多的日期
most_orders_date_df = parsed_df.groupBy("date") \
    .agg(count(col("product_ID")).alias("order_count")) \
    .orderBy(col("order_count").desc()) \
    .limit(1)
# 找出最受欢迎的前三名商品ID
popular_products_df = parsed_df.groupBy("product_ID") \
    .count() \
    .withColumnRenamed("count", "popularity") \
    .orderBy(col("popularity").desc()) \
    .limit(3)

# 启动流计算并输出结果
query1 = total_amount_df.writeStream \
    .outputMode("append") \
    .format("console") \
    .option("truncate", "false") \
    .start()

query2 = most_orders_date_df.writeStream \
    .outputMode("complete") \
    .format("console") \
    .option("truncate", "false") \
    .start()

query4 = popular_products_df.writeStream \
    .outputMode("complete") \
    .format("console") \
    .option("truncate", "false") \
    .start()
# 计算商品热度并输出结果

query2.awaitTermination()

运行结果图片展示

数据生产者控制台：（我用的是linux服务器集群模式搭建的平台系统，并配置了远程主机运行，所以会这样显示）生产者读取数据，根据数据时间戳的差值来延迟上传数据到kafka中

数据消费者控制台：第11次流处理

时间戳差值小于等于1分钟同时上传的记录证实

时间戳相差超过一分钟延时一分钟再上传数据

消费者实时计算数据流显示订单最多的日期和最受欢迎的前三商品id
实际运行能够做到每上传一条数据就进行实时计算，所以可以做到一分钟后上传的数据就一分钟后进行计算，立刻上传的数据，可以立刻计算。

总结

之前参考了scala项目的代码，发现还是python的简洁易用，不过不同语言各有不同的开发优势，不能片面的评价一个语言的优劣，只能说用python写不容易因为一些环境的配置而感到脑淤血，只需要添加好包环境就行。而之前弄java的项目环境配的，也不能说很难，但是很容易脑淤血。弄不好一个下午就这么耗下去了。
这次项目用到的环境搭建还是挺顺利的，必须确保本地的Hdfs+Spark能正常运行，同时python3有pip install 相应的依赖包，然后再启动zookeeper正常运行Kafka进程，配置好主题和监听地址，就可以正常运行以上代码。如果大家对我的环境搭建感兴趣，不用多说，call me！！
分享就到这里，希望各位在大数据开发之路勇往直前的伙伴们都能披荆斩棘！！