《SparkStreaming 1》--静态数据和流数据、SparkStreaming的简介、离散流DStream、SparkStreaming实现单词统计案例、监控目录、自定义接收器

静态数据和流数据

·近年来，在Web应用、网络监控、传感监测等领域，兴起了一种新的数据密集型应用——流数据，
  即数据以大量、快速、时变的流形式持续到达
  
流数据具有如下特征：
·数据快速持续到达，潜在大小也许是无穷无尽的
·数据来源众多，格式复杂
·数据量大，但是不十分关注存储，一旦经过处理，要么被丢弃，要么被归档存储
·注重数据的整体价值，不过分关注个别数据
·数据顺序颠倒，或者不完整，系统无法控制将要处理的新到达的数据元素的顺序

针对于静态数据(hadoop)和流数据的计算分为批量计算(sparkStreaming)和实时计算（Storm）
 Flink是一个批处理和流处理结合的统一计算框架
批量计算和实时计算
----对静态数据和流数据的处理，对应着两种截然不同的计算模式： 

• 批量计算：充裕时间处理静态数据，如Hadoop（满足块大小进行计算）
• 流数据不适合采用批量计算，因为流数据不适合用传统的关系模型建模                                                                                    流数据必须采用实时计算，响应时间为秒级，，数据量少时，不是问题
•   但是，在大数据时代，数据格式复杂、来源众多、数据量巨大，对实时计算提出了很大的挑战。                                            因此，针对流数据的实时计算一流计算，应运而生

流计算概念：
·流计算秉承一个基本理念，即数据的价值随着时间的流逝而降低，
  如用户点击流。因此，当事件出现时就应该立即进行处理，而不是缓存起来进行批量处理
  为了及时处理流数据，就需要一个低延迟可扩展、高可靠的处理引擎。

 

对于一个流计算系统来说，它应达到如下需求：

• 高性能：处理大数据的基本要求，如每秒处理几十万条数据
• 海量式：支持TB级甚至是PB级的数据规模
• 实时性：保证较低的延迟时间，达到秒级别，甚至是毫秒级别
• 分布式：支持大数据的基本架构，必须能够平滑扩展
• 易用性：能够快速进行开发和部署
• 可靠性：能可靠地处理流数据

流计算与Hadoop：

• Hadoop设计的初衷是面向大规模数据的批量处理，每台机器并行运行MapReduce任务，最后对结果进行汇总输出
• MapReduce是专门面向静态数据的批量处理的，内部各种实现机制都为批处理做了高度优化，不适合用于处理持续到达的动态数据。
• 可能会想到一种“变通”的方案来降低批处理的时间延迟，将基于MapReduce的批量处理转为小批量处理，将输入数据切成小的片段，每隔一个周期就启动一次MapReduce作业,但这种方式也无法有效处理流数据。切分成小片段，可以降低延迟，但是也增加了附加开销，还要处理片段之间依赖关系 
• SparkStreimng：准实时（小批量处理）

   

    

---

SPARK学习分为三大块：spark核心 RDD 、Spark SQL 、 SparkStreimng

官网:
    Spark Streaming提供两类内置流媒体