大数据学习二：sparkstreaming中关于Window窗体相关操作

1.窗口概念

1.1、.SparkStreaming之window滑动窗口应用，Spark Streaming提供了滑动窗口操作的支持，从而让我们可以对一个滑动窗口内的数据执行计算操作。每次掉落在窗口内的RDD的数据，会被聚合起来执行计算操作，然后生成的rdds。

1.2、每个滑动窗口操作都包含两个参数windowLength（窗口大小）, slideInterval（窗口移动速率参数，即多久滑动一次），这两个参数值都必须是batch间隔的整数倍。

2.SparkStreaming中的对窗口滑动支持的转换操作

2.1、包含操作如下表：

2.2、具体方法：
1、window(windowLength, slideInterval)：当前时刻当前长度窗口中的元素取出形成一个新的DStream。
2、 countByWindow(windowLength,slideInterval)：返回指定长度窗口中的元素个数。
3、 countByValueAndWindow(windowLength,slideInterval, [numTasks])：调用该操作的DStream数据格式为(K, v),返回的DStream格式为(K, Long)。统计当前时间窗口中元素值相同的元素的个数。
4、 reduceByWindow(func, windowLength,slideInterval)：调用该操作的DStream中的元素格式为(k, v)，其数据源是基于该DStream的窗口长度中的所有数据。
5、reduceByKeyAndWindow(func, invFunc,windowLength, slideInterval, [numTasks])：调用该操作的DStream中的元素格式为(k, v)，func：reduce函数，invFunc代表逆向reduce。该操作也有一个可选的并发数参数。

3.实例

这里对reduceByWindow和reduceByKeyAndWindow方法进行实例
3.1、reduceByWindow基于