spark stream java_【Spark篇】---SparkStream初始与应用

一、前述

SparkStreaming是流式处理框架，是Spark API的扩展，支持可扩展、高吞吐量、容错的实时数据流处理，实时数据的来源可以是：Kafka, Flume, Twitter, ZeroMQ或者TCP sockets，并且可以使用高级功能的复杂算子来处理流数据。例如：map,reduce,join,window 。最终，处理后的数据可以存放在文件系统，数据库等，方便实时展现。

二、SparkStreaming与Storm的区别

1、Storm是纯实时的流式处理框架，SparkStreaming是准实时的处理框架(微批处理)。因为微批处理，SparkStreaming的吞吐量比Storm要高。

2、Storm 的事务机制要比SparkStreaming的要完善。

3、Storm支持动态资源调度。(spark1.2开始和之后也支持)

4、SparkStreaming擅长复杂的业务处理，Storm不擅长复杂的业务处理，擅长简单的汇总型计算。

三、Spark初始

receiver  task是7*24小时一直在执行，一直接受数据，将一段时间内接收来的数据保存到batch中。假设batchInterval为5s,那么会将接收来的数据每隔5秒封装到一个batch中，batch没有分布式计算特性，这一个batch的数据又被封装到一个RDD中，RDD最终封装到一个DStream中。

例如：假设batchInterval为5秒，每隔5秒通过SparkStreamin将得到一个DStream,在第6秒的时候计算这5秒的数据，假设执行任务的时间是3秒,那么第6~9秒一边在接收数据，一边在计算任务，9~10秒只是在接收数据。然后在第11秒的时候重复上面的操作。

如果job执行的时间大于batchInterval会有什么样的问题？

如果接受过来的数据设置的级别是仅内存，接收来的数据会越堆积越多，最后可能会导致OOM(如果设置StorageLevel包含disk, 则内存存放不下的数据会溢写至disk, 加大延迟 )。

四、SparkStreaming代码

代码注意事项：

启动socket server 服务器：nc –lk 9999

receiver模式下接受数据，local的模拟线程必须大于等于2，一个线程用来receiver用来接受数据，另一个线程用来执行job。

Durations时间设置就是我们能接收的延迟度。这个需要根据集群的资源情况以及任务的执行情况来调节。

创建JavaStreamingContext有两种方式(SparkConf,SparkContext)

所有的代码逻辑完成后要有一个output operation类算子触发执行。

JavaStreamingContext.start() Streaming框架启动后不能再次添加业务逻辑。

JavaStreamingContext.stop() 无参的stop方法将SparkContext一同关闭，stop(false)，不会关闭SparkContext，方便后面使用

JavaStreamingContext.stop()停止之后不能再调用start。

packagecom.spark.sparkstreaming;importjava.util.Arrays;importorg.apache.spark.SparkConf;importorg.apache.spark.api.java.JavaPairRDD;importorg.apache.spark.api.java.JavaSparkContext;importorg.apache.spark.api.java.function.FlatMapFunction;importorg.apache.spark.api.java.function.Function2;importorg.apache.spark.api.java.function.PairFunction;importorg.apache.spark.api.java.function.VoidFunction;importorg.apache.spark.streaming.Durations;importorg.apache.spark.streaming.api.java.JavaDStream;importorg.apache.spark.streaming.api.java.JavaPairDStream;importorg.apache.spark.streaming.api.java.JavaReceiverInputDStream;importorg.apache.spark.streaming.api.java.JavaStreamingContext;importscala.Tuple2;/*** 1、local的模拟线程数必须大于等于2 因为一条线程被receiver(接受数据的线程)占用，另外一个线程是job执行

* 2、Durations时间的设置，就是我们能接受的延迟度，这个我们需要根据集群的资源情况以及监控每一个job的执行时间来调节出最佳时间。

* 3、 创建JavaStreamingContext有两种方式 (sparkconf、sparkcontext)

* 4、业务逻辑完成后，需要有一个output operator

* 5、JavaStreamingContext.start()straming框架启动之后是不能在次添加业务逻辑

* 6、JavaStreamingContext.stop()无参的stop方法会将sparkContext一同关闭，stop(false) ,默认为true，会一同关闭

* 7、JavaStreamingContext.stop()停止之后是不能在调用start*/

/*** foreachRDD 算子注意：

* 1.foreachRDD是DStream中output operator类算子

* 2.foreachRDD可以遍历得到DStream中的RDD，可以在这个算子内对RDD使用RDD的Transformation类算子进行转化，但是一定要使用rdd的Action类算子触发执行。

* 3.foreachRDD可以得到DStream中的RDD，在这个算子内，RDD算子外执行的代码是在Driver端执行的，RDD算子内的代码是在Executor中执行。

**/

public classWordCountOnline {

@SuppressWarnings("deprecation")public static voidmain(String[] args) {

SparkConf conf= new SparkConf().setMaster("local[2]").setAppName("WordCountOnline");/*** 在创建streaminContext的时候 设置batch Interval*/JavaStreamingContext jsc= new JavaStreamingContext(conf, Durations.seconds(5));//JavaSparkContext sc = new JavaSparkContext(conf);//JavaStreamingContext jsc = new JavaStreamingContext(sc,Durations.seconds(5));//两种办法得到StreamingContext//JavaSparkContext sparkContext = jsc.sparkContext();

JavaReceiverInputDStream lines = jsc.socketTextStream("node04", 9999);//监控socket端口9999

JavaDStream words = lines.flatMap(new FlatMapFunction() {/****/

private static final long serialVersionUID = 1L;

@Overridepublic Iterablecall(String s) {return Arrays.asList(s.split(" "));

}

});

JavaPairDStream ones = words.mapToPair(new PairFunction() {/****/

private static final long serialVersionUID = 1L;

@Overridepublic Tuple2call(String s) {return new Tuple2(s, 1);

}

});

JavaPairDStream counts = ones.reduceByKey(new Function2() {/****/

private static final long serialVersionUID = 1L;

@OverridepublicInteger call(Integer i1, Integer i2) {return i1 +i2;

}

});//outputoperator类的算子

counts.print();/*counts.foreachRDD(new VoidFunction>() {*//*** 这里写的代码是在Driver端执行的*//*private static final long serialVersionUID = 1L;

@Override

public void call(JavaPairRDD pairRDD) throws Exception {

pairRDD.foreach(new VoidFunction>() {*//****//*private static final long serialVersionUID = 1L;

@Override

public void call(Tuple2 tuple)

throws Exception {

System.out.println("tuple ---- "+tuple );

}

});

}

});*/jsc.start();//等待spark程序被终止

jsc.awaitTermination();

jsc.stop(false);

}

}

scala代码：

import org.apache.spark.SparkConf

import org.apache.spark.SparkContext

import org.apache.spark.streaming.StreamingContext

import org.apache.spark.streaming.Durations

object Operator_foreachRDD {

def main(args: Array[String]): Unit = {

val conf = new SparkConf()

conf.setMaster("local[2]").setAppName("foreachRDD")

val sc = new SparkContext(conf)

val jsc = new StreamingContext(sc,Durations.seconds(5))

val socketDStream = jsc.socketTextStream("node5", 9999)

socketDStream.foreachRDD { rdd => {

rdd.foreach { elem => {

println(elem)

} }

}}

jsc.start()

jsc.awaitTermination()

jsc.stop(false)

}

}