1、WordCount案例实操
需求:
使用netcat工具向9999端口不断的发送数据,通过SparkStreaming读取端口数据并统计不同单词出现的次数
操作步骤:
(1)添加依赖
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-streaming_2.11</artifactId>
<version>2.1.1</version>
</dependency>
(2)编写代码
package com.study.bigdatabase.streaming
import org.apache.spark.SparkConf
import org.apache.spark.streaming.dstream.{DStream, ReceiverInputDStream}
import org.apache.spark.streaming.{Seconds, StreamingContext}
object SparkStreaming01_WordCount {
def main(args: Array[String]): Unit = {
//使用SparkStreaming完成WordCount
//Sprak配置对象
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("SparkStreaming01_WordCount")
//实时数据分析环境对象
//采集周期:以指定的时间为周期采集实时数据
val streamingContext = new StreamingContext(sparkConf,Seconds(3))
//从指定的端口采集数据
val socketLineDStream: ReceiverInputDStream[String] = streamingContext.socketTextStream("hadoop105", 9999)
//将采集的数据进行分解(扁平化)
val wordDStream: DStream[String] = socketLineDStream.flatMap(line => line.split(" "))
//将数据进行结构的转换方便统计分析
val mapDStream: DStream[(String, Int)] = wordDStream.map((_, 1))
//将转换结构后的数据进行聚合处理
val wordToSumDStream: DStream[(String, Int)] = mapDStream.reduceByKey(_ + _)
//将结果 打印出来
wordToSumDStream.print()
//注意:不能停止采集功能
//streamingContext.stop()
//启动采集器
streamingContext.start()
//Drvier等待采集器的执行:
streamingContext.awaitTermination()
}
}
拷贝Spark的配置文件:log4j.properties.template
并重名为log4j.properties
把log4j.properties文件拷贝到项目工程的resource资源处:
修改文件日志级别
启动程序,控制台将会出错:
我们在端口号发数据,发现一个错误:
[root@hadoop105 spark-2.1.1-bin-hadoop2.7]# nc -lk 9999
-bash: nc: command not found
解决方法:
[root@hadoop105 spark-2.1.1-bin-hadoop2.7]# yum install -y nc
再次发,向端口号发送数据:
[root@hadoop105 spark-2.1.1-bin-hadoop2.7]# nc -lk 9999
再次启动程序,控制台将会打印信息:
这个是没有数据的,是没有采集数据
想要采集数据,只需在窗口写数据就可以
就会得到你想要的数据,发送到在控制台,并在控制台打印出来
2、WordCount解析
scretized Stream是Spark Streaming的基础抽象,代表持续性的数据流和经过各种Spark原语操作后的结果数据流。在内部实现上,DStream是一系列连续的RDD来表示。每个RDD含有一段时间间隔内的数据,如下图:
对数据的操作也是按照RDD为单位来进行的
计算过程由Spark engine来完成