SparkStreaming学习笔记

一、什么是SparkStreaming

Spark Streaming 是 Spark 核心 API 的一个扩展，可以实现高吞吐量的、具备容错机制的实时流数据的处理。为了实现流式处理数据。

二、创建SparkStreaming环境对象

首先引入maven对象

<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-streaming_2.12</artifactId>
    <version>3.1.1</version>
</dependency>

val conf = new SparkConf().setMaster("local[*]").setAppName("streaming")

// 创建环境对象，需要传递两个参数  第一个是环境配置 第二个是采集的周期
val streamContext = new StreamingContext(conf, Seconds(3))

... // 业务代码

streamContext.start()   // 开始采集数据

...  // 这里可以放一些自定义的DStream值

streamContext.awaitTermination()  // 等待采集器结束
streamContext.stop()

三、SparkStreaming读入数据

1. 通过socket方式读入数据

def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setMaster("local[*]").setAppName("streaming")
    val streamContext = new StreamingContext(conf, Seconds(3))

    // 通过socket获取数据
    val lines = streamContext.socketTextStream("localhost", 9999)
    lines .print()

    streamContext.start()
    streamContext.awaitTermination()
}

2. 自定义DS数据

def main(args: Array[String]): Unit = {
  val conf = new SparkConf().setMaster("local[*]").setAppName("streaming")
  val streamContext = new StreamingContext(conf, Seconds(3))

  // 创建一个dstream  类似创建一个rdd
  val intQueue = new mutable.Queue[RDD[Int]]()
  // oneAtATime 是否在每个间隔中只应从队列中使用一个RDD
  val Dstream = streamContext.queueStream(intQueue, oneAtATime = false)
    
  // 开始采集数据，数据开始采集之后放值不是一开始就是赋值好
  streamContext.start()
  // 将数据入队
  intQueue.enqueue(streamContext.sparkContext.makeRDD(seq = 1 to 30, numSlices = 8))
  streamContext.awaitTermination()
}

四、自定义数据采集器

object Dstream {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setMaster("local[*]").setAppName("streaming")
    val streamContext = new StreamingContext(conf, Seconds(3))

    // 使用自定义采集数据
    val messageDs = streamContext.receiverStream(new MyReceiver())
    messageDs.print()

    streamContext.start()
    streamContext.awaitTermination()
  }

  // 自定义数据采集器，需要继承Receiver并传一个接收数据的泛型，参数传存储级别
  class MyReceiver extends Receiver[String](StorageLevel.MEMORY_ONLY){
    var tag = true;

    // 开始采集数据的时候需要开辟另外一个线程
    override def onStart(): Unit = {
      new Thread(() => {
        while (tag){
          val message = new Random().nextInt().toString

          // 自动将数据存储
          store(message)
          Thread.sleep(500)
        }
      }).start()
    }

    override def onStop(): Unit = {
      tag = false
    }
  }
}

五、从kafka读数据

从kafka读取数据需要引入maven

<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-streaming-kafka-0-10_2.12</artifactId>
    <version>3.1.1</version>
</dependency>

读取数据

def main(args: Array[String]): Unit = {
  val conf = new SparkConf().setMaster("local[*]").setAppName("streaming")
  val streamContext = new StreamingContext(conf, Seconds(3))

  val kafkaPara: Map[String, Object] = Map[String, Object](
    // 这里是kafka的访问地址或者是集群地址
    ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG -> "",
    // 组名称
    ConsumerConfig.GROUP_ID_CONFIG -> "",
    "key.deserializer" -> "org.apache.kafka.common.serialization.StringDeserializer",
    "value.deserializer" -> "org.apache.kafka.common.serialization.StringDeserializer"
  )

  // kafka util 创建连接, 需要一个泛型用于代表接受参数的类型
  val kafkaStream: InputDStream[ConsumerRecord[String, String]] = KafkaUtils.createDirectStream[String, String](streamContext,
    LocationStrategies.PreferConsistent, // 类似sparkCore的首选位置
    // 消费者策略，需要topic的名称和kafka的参数
    ConsumerStrategies.Subscribe[String, String](List("asd"), kafkaPara)
  )

  // _.value()就会获得kafka传过来的值
  kafkaStream.map(_.value())
}

六、数据的状态

有状态和无状态的区别：

无状态操作只会对当前周期内的数据进行处理。

有状态就是数据有状态，可以对所有数据做汇总，并不是对一批数据进行汇总。

def main(args: Array[String]): Unit = {
  val conf = new SparkConf().setMaster("local[*]").setAppName("streaming")
  val streamContext = new StreamingContext(conf, Seconds(3))

  // 使用有状态的数据,需要设置检查点路径
  streamContext.checkpoint("cp")

  val lines = streamContext.socketTextStream("localhost", 9999)
  val words = lines.flatMap(_.split(" "))
  val wordToOne: DStream[(String, Int)] = words.map((_, 1))

  // 根据key更新数据状态，需要传两个参数，第一个参数 相同key的value数据  第二个参数 缓冲区相同key的value数据
  wordToOne.updateStateByKey((seq: Seq[Int], opt: Option[Int]) => {
    // 由于这里拿到的都是二元组的第二个数据，直接sum进行求和
    val value = opt.getOrElse(0) + seq.sum
    Option(value)  // 返回需要是缓冲区类型
  }).print()

  streamContext.start()
  streamContext.awaitTermination()
}

七、转换操作

val lines = streamContext.socketTextStream("localhost", 9999)

// 用于周期性执行代码或者Dstream功能不完善 可以直接用底层rdd的方法
val rawRdd: DStream[String] = lines.transform(rdd => rdd)

transform和map的区别

val rawRdd: DStream[String] = lines.transform(
  rdd => {
    // 在这里的代码会周期性的执行在driver端
    rdd.map(a => {
      a  // 在executor执行
    })
  }
)
    
val rawMap: DStream[String] = lines.map(
  rdd => {
    rdd  // 在executor执行
  }
)

八、无状态的join操作

val line1 = streamContext.socketTextStream("localhost", 9999)
val line2 = streamContext.socketTextStream("localhost", 8888)

val stream1 = line1.map((_, 0))
val stream2 = line2.map((_, 1))

// 无状态的操作join, 相同的key把关联的v放在一起
val value: DStream[(String, (Int, Int))] = stream1.join(stream2)

九、窗口操作(有状态)

val lines = streamContext.socketTextStream("localhost", 9999)
val wordToOne: DStream[(String, Int)] = lines.map((_, 1))

// 窗口的周期最好是采集周期的整数倍, 默认情况一个采集周期一个滑动
// 第一个参数 窗口大小  第二个参数 步长(防止窗口出现重叠)
val Dstream = wordToOne.window(Seconds(6), slideDuration = Seconds(6))
val value = Dstream.reduceByKey(_ + _)

可以自定义对于新数据和移除数据的处理

val lines = streamContext.socketTextStream("localhost", 9999)
val wordToOne: DStream[(String, Int)] = lines.map((_, 1))

//  需要设置检查点  按照窗口进行叠加
val value = wordToOne.reduceByKeyAndWindow(
  (x, y) => {x + y},  // 当窗口滑动的时候新进来的数据怎么做(这里新增的数据做加法)
  (x, y) => {x - y},  // 当窗口滑动的时候新移除的数据怎么做(这里新增的数据做减 法)
  Seconds(9),          // 窗口大小
  Seconds(3)          // 窗口周期
)

十、优雅的关闭

val conf = new SparkConf().setMaster("local[*]").setAppName("streaming")
val streamContext = new StreamingContext(conf, Seconds(6))
val line1 = streamContext.socketTextStream("localhost", 9999)
val stream1 = line1.map((_, 0))
stream1.start()

// 需要开启另外一个线程进行关闭，一般去读取第三方数据的状态，例如mysql、redis等等
new Thread(() => {
  // 这里只是模拟
  while(true){
    if(streamContext.getState() == StreamingContextState.ACTIVE){
      // 优雅的关闭, 计算节点不再接收新的数据 等节点处理完内部数据以后在进行关闭
      streamContext.stop(true,true)
    }
  }
}).start()

streamContext.awaitTermination()

十一、数据的恢复

// 创建检查点 每次从检查点恢复数据，如果没有数据就去创建
val context = StreamingContext.getActiveOrCreate("cp", () => {
  val conf = new SparkConf().setMaster("local[*]").setAppName("streaming")
  val streamContext = new StreamingContext(conf, Seconds(6))
  val line1 = streamContext.socketTextStream("localhost", 9999)
  val stream1 = line1.map((_, 0))
  stream1.print()

  streamContext
})
context.checkpoint("cp")
context.start()
context.awaitTermination()