Spark学习笔记-Streaming-1<转>

 Spark Streaming是将流式计算分解成一系列短小的批处理作业。这里的批处理引擎是Spark Engine，也就是把Spark Streaming的输入数据按照batch size（如1秒）分成一段一段的数据（Discretized Stream），每一段数据都转换成Spark中的RDD（Resilient Distributed Dataset），然后将Spark Streaming中对DStream的Transformation操作变为针对Spark中对RDD的Transformation操作，将RDD经过操作变成中间结果保存在内存中。整个流式计算根据业务的需求可以对中间的结果进行叠加，或者存储到外部设备。Spark Streaming属于Spark的核心api，它支持高吞吐量、支持容错的实时流数据处理。它可以接受来自Kafka, Flume, Twitter, ZeroMQ和TCP Socket的数据源，使用简单的api函数比如 map, reduce, join, window等操作，还可以直接使用内置的机器学习算法、图算法包来处理数据。

Spark Streaming基本操作：

[plain]  view plain copy

1. import org.apache.log4j.Level  
2. import org.apache.spark.SparkContext  
3. import org.apache.spark.streaming.StreamingContext  
4. import org.apache.spark.streaming.Seconds  
5. import org.apache.spark.streaming.StreamingContext._  
6. import org.apache.hadoop.io.LongWritable  
7. import org.apache.hadoop.io.Text  
8. import org.apache.hadoop.mapreduce.lib.input.TextInputFormat  
9.   
10. object SparkStreaming {  
11.   
12.   def main(args: Array[String]) {  
13.   
14.     val sc = new SparkContext("spark://centos.host1:7077", "Spark Streaming")  
15.   
16.     //创建StreamingContext，20秒一个批次  
17.     val ssc = new StreamingContext(sc, Seconds(20))  
18.   
19.     //获得一个DStream来负责TCP连接(监听端口:地址)  
20.     val serverIP = "localhost"  
21.     val serverPort = 9999  
22.     val lines = ssc.socketTextStream(serverIP, serverPort)  
23.   
24.     val rdd1 = lines.flatMap(_.split(" ")).map(word => (word, 1)).reduceByKey(_ + _)  
25.     //打印到控制台  
26.     rdd1.print()  
27.       
28.     //获得一个InputDStream来负责监听文件目录  
29.     val dataDirectory = "/user/hadoop/data/temp/streaming/";  
30.   
31.     val inputDStream1 = ssc.fileStream[LongWritable, Text, TextInputFormat](dataDirectory)  
32.     val rdd2 = inputDStream1.flatMap(_._2.toString().split(" ")).map(word => (word, 1)).reduceByKey(_ + _)  
33.     rdd2.print()  
34.       
35.     val inputDStream2 = ssc.textFileStream(dataDirectory)  
36.     val rdd3 = inputDStream2.flatMap(_.toString().split(" ")).map(word => (word, 1)).reduceByKey(_ + _)  
37.     rdd3.print()  
38.       
39.     //特定的窗口操作，窗口操作涉及两个参数：一个是滑动窗口的宽度(Window Duration)；另一个是窗口滑动的频率(Slide Duration)  
40.     val inputDStream3 = ssc.fileStream[LongWritable, Text, TextInputFormat](dataDirectory)  
41.     val rdd4 = inputDStream3.flatMap(_._2.toString().split(" ")).map(word => (word, 1)).reduceByKeyAndWindow(  
42.         (x:Int, y:Int) => (x + y), Seconds(40), Seconds(20))  
43.     rdd4.print()  
44.       
45.     //保存流的内容，文件默认会保存在用户的目录下  
46.     //保存流的内容为SequenceFile, 文件目录名 : "prefix-TIME_IN_MS.suffix" rdd-1411894750000.seq   
47.     rdd4.saveAsObjectFiles("/user/hadoop/data/temp/rdd", "seq")      
48.     //保存流的内容为TextFile, 文件目录名 : "prefix-TIME_IN_MS.suffix" rdd-1411894750000.txt  
49.     rdd4.saveAsTextFiles("/user/hadoop/data/temp/rdd", "txt")         
50.     //保存流的内容为HadoopFile, 文件目录名 : "prefix-TIME_IN_MS.suffix" rdd-1411894750000.hadoop  
51.     //这个API暂时没有正确使用出来  
52.     //rdd4.saveAsHadoopFiles("/user/hadoop/data/temp/rdd", "hadoop")  
53.     //rdd4.saveAsHadoopFiles("/user/hadoop/data/temp/rdd", "hadoop", Text.class, IntWritable.class, TextOutputFormat.class, conf)  
54.       
55.     //开始运行  
56.     ssc.start()  
57.     //计算完毕退出  
58.     ssc.awaitTermination()  
59.   
60.     sc.stop()  
61.   }  
62.     
63. }