Spark Streaming
一、Spark Streaming
1.1 流处理介绍
- 流处理特点
(1)输入持续,计算结果持续输出的,实时性要求较高(永远拿不到全量数据去做计算)
(2)先定义计算逻辑,数据到来之后将计算逻辑应用于数据。
- 批量处理特点
(1)、先有全量数据集,后定义计算逻辑,并将计算逻辑应用于全量数据,计算结果一
次性全量输出。
- Spark Streaming 优缺点
1、底层使用批处理模拟流计算。导致了Spark Streaming在流处理领域有者着先天的劣势。
2、可实现实时数据流的可扩展,高吞吐量,容错流处理
3、虽然Spark Streaming 在实时性上不如一些专业的流处理引擎(Storm/Flink),但是
Spark Stream在使用吸取RDD设计经验,提供了比较友好的API算子,使得使用RDD做
批处理的程序员可以平滑的过渡到流处理。
- 数据来源可从(如Kafka,Flume,Kinesis或TCP套接字)中获取,
Spark Streaming提供称为离散流或DStream的高级抽象,表示连续的数据流。
DStream可以从来自Kafka,Flume和Kinesis等源的输入数据流创建,也可以通过在
其他DStream上应用高级操作来创建。在内部DStream表示为一系列RDD
1.2 socketTextStream(快速入门)
- pom.xml
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.11</artifactId>
<version>2.4.3</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-streaming_2.11</artifactId>
<version>2.4.3</version>
</dependency>
- SparkStreamWordCounts
/**
* 1、环境 linux--数据来源 netcat
* --[root@CentOS ~]# yum install -y nc
* --启动nc服务[root@CentOS ~]# nc -lk 9999
* 2、状态的管理 无
* 3、数据的持久化 无
* 4、目的-- 完成指定的时间间隔--数据单词的统计
*/
object SparkStreamWordCounts01 {
def main(args: Array[String]): Unit = {
// 申请两个计算进程(workNode)----
val conf = new SparkConf()
//设置处理时间的时间间隔
.setMaster("local[2]")
//appName参数是应用程序在集群UI上显示的名称
.setAppName("NetworkWordCount")
//初始化 StreamingContext :要初始化Spark Streaming程序,必须创建一个StreamingContext对象,它是所有Spark Streaming功能的主要入口点
//注意ssc会在内部创建一个SparkContext(所有Spark功能的起点),如果需要获取SparkContext对象用户可以调用ssc.sparkContext访问,如用户使用SparkContext关闭日志
val ssc = new StreamingContext(conf, Seconds(5))
// 设置流的数据来源
ssc.socketTextStream("CentOS61", 9888)
.flatMap(_.split(" "))
.map((_, 1))
.reduceByKey(_+_)
.print()
ssc.sparkContext.setLogLevel("FATAL") //关闭日志打印
ssc.start()
ssc.awaitTermination()
}
}
需要注意:[root@CentOS ~]# yum install -y nc启动nc服务
[root@CentOS ~]# nc -lk 9999,注意在调用改程序的时候,需要设置local[n],n>1
1.3 开发步骤
- 创建 StreamingContext。
- 必须根据应用程序的延迟要求和可用的群集资源设置批处理间隔。要使群集上运行的Spark Streaming应用程序保持稳定,系统应该能够以接收数据的速度处理数据。换句话说,批处理数据应该在生成时尽快处理。通过监视流式Web UI中的处理时间可以找到是否适用于应用程序,其中批处理时间应小于批处理间隔。
val conf = new SparkConf()
.setMaster("local[5]")
.setAppName("wordCount")
val sc = new SparkContext(conf)
val ssc = new StreamingContext(sc,Seconds(1))
- 当用户创建完StreamingContext对象之后,用户需要完成以下步骤
- 定义数据源,用于创建输入的 DStreams.
- 定义流计算算子,通过定义这些算子实现对DStream数据转换和输出
- 调用streamingContext.start()启动数据.
- 等待计算结束 (人工结束或者是错误) 调用 streamingContext.awaitTermination().
- 如果是人工结束,程序应当调用 streamingContext.stop()结束流计算.
- 重要因素需留意
- 一旦流计算启动,无法再往计算流程中添加计算算子
- 一旦SparkContext对象被stop后,无法重启。
*一个JVM系统中只能实例化一个StreamingContext对象。 - SparkContext被stop()后,内部创建的SparkContext也会被stop.如果仅仅是想Stop StreamingContext, 可以设置stop() 中的可选参数 stopSparkContext=false即可.
ssc.stop(stopSparkContext = false)
-
一个SparkContext 可以重复使用并且创建多个StreamingContexts, 前提是上一个启动的StreamingContext 被停止了(但是并没有关闭 SparkContext对象) 。
-
Discretized Streams (DStreams) ,Discretized Stream或DStream是Spark Streaming提供的基本抽象。它表示连续的数据流,可以是从源接收的输入数据流,也可以是通过转换输入流生成的已处理数据流。在内部,DStream由一系列连续的RDD表示,这是Spark对不可变分布式数据集的抽象。DStream中的每个RDD都包含来自特定时间间隔的数据,如下图所示。
-
应用于DStream的任何操作都转换为底层RDD上的操作。例如,在先前Quick Start示例中,flatMap操作应用于行DStream中的每个RDD以生成单词DStream的RDD。如下图所示。
-
这些底层RDD转换由Spark引擎计算。 DStream操作隐藏了大部分细节,并为开发人员提供了更高级别的API以方便使用。
1.4 InputStream & Receivers
- Input DStream 表示流计算的输入,Spark中默认提供了两类的InputStream:
- Baisc Source :例如 filesystem、scoket
- Advance Source:例如:Kafka、Flume等外围系统的数据。
- 除filesystem以外,其他的Input DStream默认都会占用一个Core(计算资源),在测试或者生产环境下,分配给计算应用的Core数目必须大于Receivers个数。(本质上除filesystem源以外,其他的输入都是Receiver抽象类的实现。),例如socketTextStream底层封装了SocketReceiver
1.4.1 Basic Sources
val conf = new SparkConf().setMaster("local[2]").setAppName("FileSystemWordCount")
val ssc = new StreamingContext(conf, Seconds(5))
ssc.sparkContext.setLogLevel("FATAL")//关闭日志打印
val lines = ssc.textFileStream("hdfs://CentOS:9000/demo/words")
lines.flatMap(_.split(" "))
.map((_,1))
.reduceByKey(_+_)
.print()
ssc.start()
ssc.awaitTermination()
1.4.2 Queue of RDDs as a Stream(测试)
- 为了使用测试数据测试Spark Streaming应用程序,还可以使用streamingContext.queueStream(queueOfRDDs)基于RDD队列创建DStream。推入队列的每个RDD将被视为DStream中的一批数据,并像流一样处理。
val conf = new SparkConf().setMaster("local[2]").setAppName("FileSystemWordCount")
val ssc = new StreamingContext(conf, Seconds(1))
ssc.sparkContext.setLogLevel("FATAL")//关闭日志打印
val queue=new mutable.Queue[RDD[String]]();
val lines = ssc.queueStream(queue)
lines.flatMap(_.split(" "))
.map((_,1))
.reduceByKey(_+_)
.print()
ssc.start()
for(i <- 1 to 30){
queue += ssc.sparkContext.makeRDD(List("this is a demo","hello how are you"))
Thread.sleep(1000)
}
ssc.stop()
1.4.3Advance Source Kafka
- Kafka对接Spark Streaming
- pom.xml
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-streaming-kafka-0-10_2.11</artifactId>
<version>2.4.3</version>
</dependency>
val conf = new SparkConf().setMaster("local[2]").setAppName("FileSystemWordCount")
val ssc = new StreamingContext(conf, Seconds(1))
ssc.sparkContext.setLogLevel("FATAL")//关闭日志打印
val kafkaParams = Map[String, Object](
"bootstrap.servers" -> "CentOS:9092",
"key.deserializer" -> classOf[StringDeserializer],
"value.deserializer" -> classOf[StringDeserializer],
"group.id" -> "group1",
"enable.auto.commit" -> (false: java.lang.Boolean)
)
KafkaUtils.createDirectStream(ssc,
LocationStrategies.PreferConsistent,//设置加载数据位置策略,
Subscribe[String,String](Array("topic01"),kafkaParams))
.map(record => record.value())
.flatMap(_.split(" "))
.map((_,1))
.reduceByKey(_+_)
.print()
ssc.start()
ssc.awaitTermination()
1.4.3 动态的数据 kafka 和静态的数据,两个流的合并
package com.baizhi.demo02
import org.apache.kafka.common.serialization.StringDeserializer
import org.apache.spark.SparkConf
import org.apache.spark.streaming.kafka010.ConsumerStrategies.Subscribe
import org.apache.spark.streaming.kafka010.{KafkaUtils, LocationStrategies}
import org.apache.spark.streaming.{Seconds, StreamingContext}
/**
* 1、需求: 动态的数据 kafka 和静态的数据 ,两个流的合并
* 2、数据的来源
* --动态的数据 kafka
* --静态的数据 程序内部产生(客户的信息)
* 3、结果集的处理
* --打印输出
* CentOS61
* [root@CentOS ~]# start-dfs.sh
* [root@CentOS ~]# start-yarn.sh
* [root@CentOSX ~]# /usr/zookeeper-3.4.6/bin/zkServer.sh start zoo.cfg
* [root@CentOSX ~]# cd /usr/kafka_2.11-2.2.0
* [root@CentOSX kafka_2.11-2.2.0]# ./bin/kafka-server-start.sh -daemon config/server.properties
* [root@CentOS61 kafka_2.11-2.2.0]# ./bin/kafka-topics.sh --zookeeper CentOS61:2181 --list
*
* [root@CentOS61 kafka_2.11-2.2.0]#
* ./bin/kafka-console-producer.sh --broker-list CentOS61:9092 --topic topic01
* [root@CentOSA kafka_2.11-2.2.0]#
* ./bin/kafka-console-consumer.sh --bootstrap-server CentOS61:9092 --topic topic01
*/
object SparkStreamWordCounts {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster("local[2]").setAppName("KafkaStreamWordCount")
val ssc = new StreamingContext(conf, Seconds(1))
// kafka的链接参数
val kafkaParams = Map[String, Object](
"bootstrap.servers" -> "CentOS61:9092",
"key.deserializer" -> classOf[StringDeserializer],
"value.deserializer" -> classOf[StringDeserializer],
"group.id" -> "group1",
"enable.auto.commit" -> (false: java.lang.Boolean)
)
// 静态的数据--客户的信息
val cacheRDD = ssc.sparkContext.makeRDD(List("001 zhangsan", "002 lisi", "003 zhaoliu"))
.map(item => (item.split("\\s+")(0), item.split("\\s+")(1)))
.distinct()
.cache()
//001 apple
KafkaUtils.createDirectStream(ssc, LocationStrategies.PreferConsistent, Subscribe[String, String](Array("topic01"), kafkaParams))
.map(record => record.value())
.map(value => {
val tokens = value.split("\\s+")
(tokens(0), tokens(1))})
//该算子可以将DStream的数据转变成RDD,用户操作流数据就像操作RDD感觉是一样的
.transform(rdd => {rdd.rightOuterJoin(cacheRDD)}) //流的合并
.filter(t => {t._2._1 != None})
.print() // 结果 (001,(Some(apple),zhangsan))
ssc.sparkContext.setLogLevel("FATAL") //关闭日志打印
ssc.start()
ssc.awaitTermination()
}
}
二 、Spark Stream 算子
2.1 transform(func)
- 改算子可以将DStream的数据转变成RDD,用户操作流数据就像操作RDD感觉是一样的。
val conf = new SparkConf().setMaster("local[2]").setAppName("KafkaStreamWordCount")
val ssc = new StreamingContext(conf, Seconds(1))
val kafkaParams = Map[String, Object](
"bootstrap.servers" -> "CentOS:9092",
"key.deserializer" -> classOf[StringDeserializer],
"value.deserializer" -> classOf[StringDeserializer],
"group.id" -> "group1",
"enable.auto.commit" -> (false: java.lang.Boolean)
)
val cacheRDD = ssc.sparkContext.makeRDD(List("001 zhangsan", "002 lisi", "003 zhaoliu"))
.map(item => (item.split("\\s+")(0), item.split("\\s+")(1)))
.distinct()
.cache()
//001 apple
KafkaUtils.createDirectStream(ssc,
LocationStrategies.PreferConsistent,
Subscribe[String,String](Array("topic01"),kafkaParams))
.map(record => record.value())
.map(value=>{
val tokens = value.split("\\s+")
(tokens(0),tokens(1))
})
.transform(rdd=>{rdd.rightOuterJoin(cacheRDD)})
.filter(t=> {t._2._1!=None})
.print()
ssc.sparkContext.setLogLevel("FATAL")//关闭日志打印
ssc.start()
ssc.awaitTermination()
2.2 UpdateStateByKey (完成流的单词计数统计)
- 结果全量输出
/**
* 1、环境 linux--数据来源 netcat
* --[root@CentOS ~]# yum install -y nc
* --启动nc服务[root@CentOS ~]# nc -lk 9999
*
* 2、结果:完成数据的统计计数(程序启动开始的,所有的数据)
* 如:
* this is book
* (this 1)
* (is 1)
* (book 1)
* this is book
* (this 2)
* (is 2)
* (book 2)
* this is book
* (this 2)
* (is 2)
* (book 2)
* 3、数据的储存 hdfs
* --(缺点)关闭程序,数据丢失无法从hdfs中获取
* */
object SparkStreamWordCounts01 {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster("local[2]").setAppName("KafkaStreamWordCount")
val ssc = new StreamingContext(conf, Seconds(5))
//将状态临时存入HDFS目录中。//在JVM启动参数中添加-DHADOOP_USER_NAME=root(解决权限的问题).
ssc.checkpoint("hdfs://CentOS61:9000/checkpoints")
def updateFun(newValues: Seq[Int], runningCount: Option[Int]): Option[Int] = {
var total = newValues.sum + runningCount.getOrElse(0)
Some(total)
}
ssc.socketTextStream("CentOS61", 9999)
.flatMap(_.split("\\s+"))
.map((_, 1))
.updateStateByKey(updateFun) //状态的 从初始开始计数 保存当前系统的数据
.print()
ssc.sparkContext.setLogLevel("FATAL") //关闭日志打印
ssc.start()
ssc.awaitTermination()
}
}
* 因为UpdateStateByKey 算子每一次的输出都是全量输出,在做状态更新的时候代价较高,
* 因此推荐大家使用mapWithState
2.3 mapWithState(完成流的单词计数统计,)
- 结果局部输出
/**
* 1、需求:完成数据的统计计数
* 2、数据的来源 -netcat
* [root@CentOS ~]# yum install -y nc
* 启动nc服务 [root@CentOS ~]# nc -lk 9999
* 3、数据的储存 -hdfs
* --关闭程序,数据丢失无法 从hdfs 中获取
* --展示的是,修改的数据
* 4、环境 netcat hdfs
*
* 5 结果:完成数据的统计计数(程序启动开始的,输出局部的数据)
* 如:输入 this is book
* (this 1)
* (is 1)
* (book 1)
*
* 输入 this
* 输出 (this,2)
*
*/
object SparkStreamWordCounts02 {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster("local[2]").setAppName("KafkaStreamWordCount")
val ssc = new StreamingContext(conf, Seconds(1))
ssc.checkpoint("hdfs://CentOS61:9000/checkpoints")
ssc.socketTextStream("CentOS61", 9999)
.flatMap(_.split("\\s+"))
.map((_, 1))
//展示跟新的数据(区别,updateStateByKey展示所有的结果,数据量大时,不满足业务场景)
.mapWithState(StateSpec.function((k: String, v: Option[Int], state: State[Int]) => {
var total = 0
if (state.exists()) {
total = state.getOption().getOrElse(0)//历史值
}
total += v.getOrElse(1)//当前值
state.update(total) //持久化状态
(k, total)
})).print()
ssc.sparkContext.setLogLevel("FATAL") //关闭日志打印
ssc.start()
ssc.awaitTermination()
}
}
2.4 mapWithState(重启中恢复状态)
/**
* 1、重启中恢复hdfs(本地)状态
* 2、数据来源 netcat
* [root@CentOS ~]# yum install -y nc
* 启动nc服务 [root@CentOS ~]# nc -lk 9999
* 3、数据存放的位置 hdfs 或者本地
* 4、设置checkpointPath--具有数据的持久化,关闭程序 下一次重启,数据可读取先前的状态
* 5 结果:完成数据的统计计数(程序启动开始的,输出局部的数据)
* 如:输入 this is book
* (this 1)
* (is 1)
* (book 1)
*
* 输入 this
* 输出 (this,2)
*
*/
object SparkStreamWordCounts {
def main(args: Array[String]): Unit = {
var checkpointPath = "hdfs://CentOS61:9000/checkpoints"
//var checkpointPath="file:///F:/checkpoints"
var ssc = StreamingContext.getOrCreate(checkpointPath, () => {
//创建过不会初始化,删除目录会自动创建目录并初始化检查点
//第一次启时候初始化,一旦程序书写完成后,无法进行修改。
//如关闭程序,注释print() 重启应用,则会继续的进行响应的打印。
println("=======init=======")
val conf = new SparkConf().setMaster("local[2]").setAppName("KafkaStreamWordCount")
val ssc = new StreamingContext(conf, Seconds(5)) //--设置处理时间的时间间隔
ssc.checkpoint(checkpointPath)
ssc.socketTextStream("CentOS61", 9999)
.flatMap(_.split("\\s+"))
.map((_, 1))
//如果数据有,恢复原有的数据,没有则执行新增存储结果值。
.mapWithState(StateSpec.function((k: String, v: Option[Int], state: State[Int]) => {
var total = 0
if (state.exists()) {
total = state.getOption().getOrElse(0)
}
total += v.getOrElse(1)
state.update(total) //跟新状态
(k, total)
}))
设置状态持久化的频率,改频率不能高于 微批 拆分频率 ts>=5s
.checkpoint(Seconds(5))
.print()
ssc
})
ssc.sparkContext.setLogLevel("FATAL") //关闭日志打印
ssc.start()
ssc.awaitTermination()
}
}
2.5 Output Operations(输出操作foreachRDD)
/**
* 1、数据来源 netcat
* 2、状态的持久化 --redis--
*
*/
object SparkStreamWordCounts {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster("local[2]").setAppName("KafkaStreamWordCount")
val ssc = new StreamingContext(conf, Seconds(1)) //批次一秒
ssc.socketTextStream("CentOS61", 9999)
.flatMap(_.split("\\s+"))
.map((_, 1))
.window(Seconds(5), Seconds(5)) //窗口的长度,滑动的频率
.reduceByKey((v1: Int, v2: Int) => v1 + v2)
.foreachRDD(rdd => { // 最常用的输出算子 --foreachPartition 拿每个分区的数据
rdd.foreachPartition(items => {
//状态的持久化 --redis--
var jedisPool = new JedisPool("CentOS61", 6379)
val jedis = jedisPool.getResource
val pipeline = jedis.pipelined() //jedis批处理
val map = items.map(t => (t._1, t._2 + "")).toMap.asJava
pipeline.hmset("wordcount", map)
pipeline.sync()
jedis.close()
})
})
ssc.sparkContext.setLogLevel("FATAL") //关闭日志打印
ssc.start()
ssc.awaitTermination()
}
}
- 安装redis
*上传redis,执行make命令
8 - 修改配置文件
- 后台运行
- 启动redis服务
- 运行结果
三 、window(窗口 )
3.1 滑动窗口
- 注意:Spark的流处理中要求窗口的长度以及滑动间隔必须是微批的整数倍。
窗口长度=滑动时间
一个tuple只属于一个窗口
3.2 滚动窗口
窗口长度 != 滑动时间
一个tuple可以属于多个窗口
val conf = new SparkConf().setMaster("local[2]").setAppName("KafkaStreamWordCount")
val ssc = new StreamingContext(conf, Seconds(1))//批次一秒
ssc.socketTextStream("CentOS",9999)
.flatMap(_.split("\\s+"))
.map((_,1))
//5个批次为窗口的长度,滑动的频率为5。
.reduceByKeyAndWindow((v1:Int,v2:Int)=> v1+v2,Seconds(5),Seconds(5))
.print()
ssc.sparkContext.setLogLevel("FATAL")//关闭日志打印
ssc.start()
ssc.awaitTermination()