场景描述:统计近n时间的数据
基于窗口的操作都需要两个参数,分别是窗口时长,和滑动步长,两者都必须是streamContext的批次间隔的整数倍
窗口时长:近n时间里的n
滑动步长:多久输出一次结果
窗口时长控制每次计算最近的多少个批次的数据,其实就是最近的windowDuration/batchInterval个批次
import org.apache.spark.SparkConf import org.apache.spark.streaming.{Minutes, Seconds, StreamingContext} import org.apache.spark.streaming.kafka.KafkaUtils /** * Created by zengxiaosen on 16/9/26. */ object AreaAntByWindow { def main(args: Array[String]): Unit = { val zkQuorum = "slave1:2181" val group = "g1" val topics = "logTopic" val numThreads = 2 //setmaster的核数至少给2,如果给1,资源不够则无法计算,至少需要一个核进行维护,一个计算 val sparkConf = new SparkConf().setAppName("direct").setMaster("local[2]") val ssc = new StreamingContext(sparkConf, Seconds(2))//两秒一个批次 ssc.checkpoint("hdfs://192:168.75.130:8020/user/root/checkpoint/AreaAmt")//设置有状态检查点 val topicMap = topics.split(",").map((_, numThreads.toInt)).toMap //val topicMap2 = Map(topics->2) //得出写到kafka里面每一行每一行的数据 //每个时间段批次 val lines = KafkaUtils.createStream(ssc, zkQuorum, group, topicMap).map(_._2) //产生我们需要的pair rdd val linerdd = lines.map{row =>{ val arr = row.split(",") //按日期按地区计算销售额2016-09-04_Area /* 继续细分到城市,无非是key该表一下,其他地方都是一样的 */ val key = arr(3).substring(0,10)+"_"+arr(0) val amt = arr(2).toInt (key, amt) }}.reduceByKeyAndWindow( _ + _,//加上新进入窗口的批次中的元素 _ - _,//移除离开窗口的老批次中的元素 Seconds(10),//窗口时长 Seconds(2),//滑动步长 2 ) linerdd.print() ssc.start() ssc.awaitTermination() } }实际上时间窗口的操作就reducebykeyandwindow,就这个模版。时间窗口一般都是汇总型的sum,不做去重型的countdistinct,场景决定的。