Spark Streaming 概述及入门案例

一、介绍

1. 不同的数据处理

• 从数据处理的方式：
  • 流式数据处理(Streaming)
  • 批量数据处理(Batch)
• 从数据处理的延迟：
  • 实时数据处理(毫秒级别)
  • 离线数据处理(小时或天级别)

2. 简介

• SparkStreaming 是一个准实时(秒或分钟级别)、微批量的数据处理框架
• SparkStreaming 支持的很多数据输入源，如： Kafka、Flume、Twitter、ZeroMQ 和简单的 TCP 套接字等。数据输入后可以用 Spark 的高度抽象原语，如： map、 reduce、 join、 window 等进行运算。结果能保存在很多地方，如 HDFS，数据库等
• SparkStreaming 使用离散化流 (discretized stream) 作为抽象表示，称为 DStream，它是对 RDD 在实时数据处理场景的一种封装

3. 特点

• 易用
• 容错
• 易整合到 Spark 体系

二、基本架构

1. 背压机制

• Spark 1.5 以前版本：通过设置静态配制参数 spark.streaming.receiver.maxRate 来限制 Receiver 的数据接收速率，来解决生产和消费速率不对等造成的内存溢出等问题，但当数据生产和数据消费的能力都高于 maxRate 时会造成资源利用率下降等问题
• Spark 1.5 版本及以后版本：为了动态控制数据接收速率来适配集群数据处理能力，引入了背压机制 (Spark Streaming Backpressure)，即根据 JobScheduler 反馈作业的执行信息来动态调整 Receiver 数据接收率
• 通过属性 spark.streaming.backpressure.enabled 来配置启用 backpressure 机制，默认值为 false，即不启用

三、入门 WordCount 案例

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

1. 引入依赖

<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-streaming_2.12</artifactId>
    <version>3.0.0</version>
</dependency>

2. 代码实现

object SparkStreamingWC {
    def main(args: Array[String]): Unit = {
        // 1.创建 SparkStreaming 环境对象
        val conf = new SparkConf().setMaster("local[*]").setAppName("SparkStreaming")
        /*
        创建 StreamingContext 对象需要传递两个参数
        1.SparkConf：配置对象
        2.Duration：批处理的周期，即数据采集周期，单位为毫秒，内置有 Seconds/Minute 等对象 
        */
        val ssc = new StreamingContext(conf, Seconds(3))
        
        // 2.逻辑处理
        val line: ReceiverInputDStream[String] = ssc.socketTextStream("localhost", 9999)
        val words = line.flatMap(_.split(" "))
        val wordAsOne = words.map((_, 1))
        val wordCount: DStream[(String, Int)] = wordAsOne.reduceByKey(_ + _)
        
        wordCount.print()
        
        // 3.运行采集器并等待关闭
        /*
        采集器是一个长期运行的任务，所以不能关闭 ssc，也不能让 main 方法执行完毕
        */
        ssc.start()
        ssc.awaitTermination()
    }
}

3. 测试

• 打开 cmd 命令窗口，执行 nc -lp 9999 命令(Linux 下为 nc -lk 999)
• 运行程序 main 方法
• 在窗口中输入测试字符串（以空格分隔），观察程序命令行输出结果