Spark流计算（一）

Spark流计算是Spark核心API的扩展，能为数据流提供可扩展的、高吞吐量、容错的流处理。数据可从多个源输入如Kafka，Flume，Kinesis，或TCP接口，能够使用高层函数的复杂算法来处理如map, reduce, join和window。最后，经处理的数据可推送到文件系统、数据库和面板。事实上，也可以对数据流应用Spark的机器学习和图计算算法。

在内部，Spark Streaming接收实时输入数据流并将数据分成批次，然后将经Spark引擎处理产生的最终结果流以批次方式输出。

Spark Streaming提供一个高层抽象称为离散化流或DStream，来代表持续数据流。DStream可以通过Kafka、Flume和Kinesis等的输入数据流构建，或者在其他DStream上采用高层操作。DStream表现为一个RDDs序列。

Spark Streaming程序可以用Scala，Java或者Python写成，但一些API在Python中不同或无法使用。

一个简单的例子

假设我们通过监听TCP端口接收来自数据服务器的文本数据，我们想要对词数进行统计。

首先，我们载入StreamingContext，这是所有流功能的主进入点

from pyspark import SparkContext
from pyspark.streaming import StreamingContext

然后，我们建立一个有两个线程的本地的StreamingContext，批次间隔1秒

# Create a local StreamingContext with two working thread and batch interval of 1 second
sc = SparkContext("local[2]", "NetworkWordCount")
ssc = StreamingContext(sc, 1)

我们构建DStream代表从TCP源来的流数据，制定hostname和port

# Create a DStream that will connect to hostname:port, like localhost:9999
lines = ssc.socketTextStream("localhost", 9999)

lines代表了接收自数据服务器的流数据。DStream的每个记录是一行文本，下一步我们用空格将行分成词

# Split each line into words
words = lines.flatMap(lambda line: line.split(" "))

flatMap是一对多的DStream操作，通过从源DStream的每个记录产生多个新记录来构建一个新的DStream。这里，每一行分成多个次，词的流由wordsDStream体现，下一步我们计算这些词

# Count each word in each batch
pairs = words.map(lambda word: (word, 1))
wordCounts = pairs.reduceByKey(lambda x, y: x + y)

# Print the first ten elements of each RDD generated in this DStream to the console
wordCounts.pprint()

wordsDStream进一步映射（一对一转换）到（word，1）对的DStream，然后通过取得每批次数据中的出现频率来归类。最后wordCounts.pprint()每集淼打印生成的一些计数。

注意当上述代码执行时，Spark Streaming只是设置开始执行时会进行的计算还不是实际开始处理，要开始处理需要最后调用

ssc.start()             # Start the computation
ssc.awaitTermination()  # Wait for the computation to terminate

该例子的全部代码可以在 https://github.com/apache/spark/blob/v2.1.1/examples/src/main/python/streaming/network_wordcount.py 下载

如果已经下载并build了Spark，可以运行例子如下，首先要运行Netcat作为一个数据服务器

$ nc -lk 9999

然后启动例子

$ ./bin/spark-submit examples/src/main/python/streaming/network_wordcount.py localhost 9999

这时，任何在运行netcat服务器终端输入的行会被计数并每过几秒打印在屏幕上。