使用Java编写Spark Streaming来做大数据处理（一）

写在前面：一般来说spark都是由Scala来实现，但Java一手遮天，非要以一己之力实现（不是）

一、使用JAVA编写有哪几部组成？

1.获取数据

//往往文件都是根据配置文件修改的时间，动态获取对应的文件来处理
 String filePath = "/租户目录/指标/指标分类/指标分类子分支" + startTime.substring(0, 6) + ".csv";
 //通过调用JavaSparkContext的获取文本的方法获取数据
 jsc.textFile(指标路径)

一般来说，想要使用JavaSparkContext，就要先定义一个JavaSparkContext的实例化对象

JavaSparkContext jsc = SparkConfig.Instance("自定义的名字");

2.处理数据

（1）获取数据时一般会根据分隔符（比如逗号）将元素划分命名，如下：
使用mapToPair方法操作数据，先将数据按照逗号分割成两部分，给到二元组Tuple2

jsc.textFile(filePath).mapToPair(new PairFunction<String, String, String>() {
                        @Override
                        public Tuple2<String, String> call(String t) throws Exception {
                            String[] split = t.split(",", -1);
                            return new Tuple2<>(split[0],split[1]);
                        }
                    })

（2）具体实际使用中，我们将结果返回一个JavaPairRDD<String, String>类型的自定义数据变量，并且做一个持久化操作

JavaPairRDD<String, String> 自定义数据名称= jsc.textFile(filePath).mapToPair(new PairFunction<String, String, String>() {
                        @Override
                        public Tuple2<String, String> call(String t) throws Exception {
                            String[] split = t.split(",", -1);
                            return new Tuple2<>(split[0],split[1]);
                        }
                    }).persist(StorageLevel.MEMORY_AND_DISK());

以此类推，可以定义好几个这样的JavaPairRDD<String,String>来暂时存储数据，有了这些数据，就可以进行Join等操作
除了直接使用，还可以把获取字段定义成一种方法，例如：

public static JavaPairRDD<String, String> get字段1字段2(JavaSparkContext jsc, String 字段1字段2) {
    JavaPairRDD<String, String> imsiAttr = jsc.textFile(filePath).mapToPair(new PairFunction<String, String, String>() {
        @Override
        public Tuple2<String, String> call(String s) throws Exception {
            String 字段1= s.split(",", -1)[0];
            String 字段2= s.split(",", -1)[1];
            return new Tuple2<>(字段1, 字段2);
        }
    });
    return 字段1字段2;
}

这样使用的时候就可以直接调用 get字段1字段2方法获取 字段1字段2

JavaPairRDD<String, String> 字段1字段2= get1_2(jsc, filePath);

注：在命名和使用中，往往会将一些字段的csv文件路径存为公参，比如
在公参文件中写

public static final String 字段1字段2= 租户目录 + "配置目录/字段1_字段2.csv";

然后再获取字段1字段2所对应的文件路径

String imsiattr = GetFilePathUtils.字段1字段2;

这样一来，实际使用中的代码就是：

String 字段1字段2= GetFilePathUtils.字段1字段2;
JavaPairRDD<String, String> 字段1字段2= get1_2(jsc, 字段1字段2).persist(StorageLevel.MEMORY_AND_DISK());

二、操作数据常用的方法有哪些？

一般为了提高代码的复用性，会将对数据的常用操作写成一个函数方法来调用，其中包含了很多的函数，具体常用的如下：
groupByKey

leftOuterJoin

mapToPair

flatMapToPair

reduceByKey

map

filter
通过合理的使用这些函数，实现分步骤处理数据，逐步筛选最终得到想要的数据结果的目的