DStream实战之Spark Streaming开窗函数reduceByKeyAndWindow统计一段时间内出现的词汇并排序 34

最新推荐文章于 2024-01-04 06:30:00 发布

啊策策

最新推荐文章于 2024-01-04 06:30:00 发布

阅读量727

点赞数

分类专栏： Spark社区文章标签： reduceByKeyAndWindow 热词一段时间

本文链接：https://blog.csdn.net/weixin_42641909/article/details/102651415

版权

Spark社区专栏收录该内容

38 篇文章

订阅专栏

需求

想统计一段时间内每个单词出现的次数, 并且对出现次数的高低进行排序, 选出这一段时间内的热词

1. 架构图

在这里插入图片描述

2. 实现流程

安装并启动生成者
首先在linux服务器上用YUM安装nc工具，nc命令是netcat命令的简称,都是用来设置路由器。我们可以利用它向某个端口发送数据。
yum install -y nc
启动一个服务端并监听9999端口
nc-lk 9999
向指定的端口发送数据
编写Spark Streaming程序
先使用reduceByKeyAndWindow框住一段时间内的词汇
再使用sortBy对其排序
最后使用take(n)取出前几个

package cn.acec.sparkStreamingtest

import org.apache.spark.rdd.RDD
import org.apache.spark.streaming.dstream.{DStream, ReceiverInputDStream}
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.{SparkConf, SparkContext}

/**
  * sparkStreming开窗函数应用----统计一定时间内的热门词汇
  */
object SparkStreamingTCPWindowHotWords {

  def main(args: Array[String]): Unit = {
    //配置sparkConf参数
    val sparkConf: SparkConf = new SparkConf().setAppName("SparkStreamingTCPWindowHotWords").setMaster("local[2]")
    //构建sparkContext对象
    val sc: SparkContext = new SparkContext(sparkConf)
    sc.setLogLevel("WARN")
    //构建StreamingContext对象，每个批处理的时间间隔
    val scc: StreamingContext = new StreamingContext(sc,Seconds(5))
    //注册一个监听的IP地址和端口  用来收集数据
    val lines: ReceiverInputDStream[String] = scc.socketTextStream("192.168.200.160",9999)
    //切分每一行记录
    val words: DStream[String] = lines.flatMap(_.split(" "))
    //每个单词记为1
    val wordAndOne: DStream[(String, Int)] = words.map((_,1))
    //reduceByKeyAndWindow函数参数意义：
    // windowDuration:表示window框住的时间长度，如本例5秒切分一次RDD，框10秒，就会保留最近2次切分的RDD
    //slideDuration:  表示window滑动的时间长度，即每隔多久执行本计算
    val result: DStream[(String, Int)] = wordAndOne.reduceByKeyAndWindow((a:Int,b:Int)=>a+b,Seconds(10),Seconds(5))
    val data=result.transform(rdd=>{
      //降序处理后，取前3位
      val dataRDD: RDD[(String, Int)] = rdd.sortBy(t=>t._2,false)
      val sortResult: Array[(String, Int)] = dataRDD.take(3)
      println("--------------print top 3 begin--------------")
      sortResult.foreach(println)
      println("--------------print top 3 end--------------")
      dataRDD
    })
    data.print()
    scc.start()
    scc.awaitTermination()
  }
}