SparkStreaming（5）：处理不同数据源（socket源数据或者处理本地/HDFS文件）

一、实现功能

Streaming处理socket数据源或者本地/hdfs上的数据源。

二、处理socket源数据

1.实现功能：

SparkStreaming处理socket源的数据，并进行wordcount的统计。

2.scala代码

package Spark

import org.apache.spark.SparkConf
import org.apache.spark.streaming.{Seconds, StreamingContext}

/**
  * spark Streaming 处理socket数据
  *
  * 使用nc测试nc -lk 6789
  */
object NetworkWordCount {
  def main(args: Array[String]): Unit = {
    val sparkConf=new SparkConf().setMaster("local[2]").setAppName("NetworkWordCount")
    /***
      * 创建StreamingContext需要sparkConf和batch interval
      */
    val ssc=new StreamingContext(sparkConf,Seconds(5))

    val lines=ssc.socketTextStream("hadoop",6789)

    val result= lines.flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_)
    result.print()


    ssc.start()
    ssc.awaitTermination()
  }
}

3.测试

（1）开启nc端口

nc -lk 6789

（2）然后再运行代码，否则会报各种奇葩的错误！

 

三、处理本地/HDFS源数据

1.实现功能：

SparkStreaming处理本地或者HDFS文件，并进行wordcount的统计。

2.前提开启：

（1）hdfs

（2）metastore

3.scala代码：

（1）本地目录写法：

file:///E:\\Tools\\WorkspaceforMyeclipse\\scalaProjectMaven\\datas\\

（2）hdfs目录写法：

/spark/

（3）代码（以本地为例）

package Spark

import org.apache.spark.SparkConf
import org.apache.spark.streaming.{Seconds, StreamingContext}

/**
  * 使用spark Streaming处理文件系统（local/hdfs）的数据
  */
object FileWordCount {
  def main(args: Array[String]): Unit = {
    val sparkConf=new SparkConf().setMaster("local[2]").setAppName("FileWordCount")

    val ssc=new StreamingContext(sparkConf,Seconds(5))




    //    file:///opt/modules/spark-2.1.0-bin-2.7.3/README.md
    val lines=ssc.textFileStream("file:///E:\\Tools\\WorkspaceforMyeclipse\\scalaProjectMaven\\datas\\")

    val result= lines.flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_)
    result.print()

    ssc.start()
    ssc.awaitTermination()
  }
}

4.测试：

（1）将内容写入test.log

（2）将文件test.log采用cp方式，放到对应datas文件下面

cp .\test.log .\datas\

（注意：（2）非常重要，一定要通过cp或者mv的方式移动进去，否者streaming读取不到增加的流信息！）