spark streaming

问题导读 1.为什么使用spark streaming？ 2.什么是StreamingContext？ 3.什么是DStream？ spark streaming介绍 Spark streaming是Spark核心API的一个扩展，它对实时流式数据的处理具有可扩展性、高吞吐量、可容错性等特点。我们可以从kafka、flume、witter、 ZeroMQ、Kinesis等源获取数据，也可以通过由 高阶函数map、reduce、join、window等组成的复杂算法计算出数据。最后，处理后的数据可以推送到文件系统、数据库、实时仪表盘中   为什么使用spark streaming 很多大数据应用程序需要实时处理数据流。思考： 我们知道spark和storm都能处理实时数据，可是spark是如何处理实时数据的，spark包含比较多组件：包括 spark core Spark SQL Spark Streaming GraphX MLlib spark core中包含RDD、DataFrame和DataSet等，因此spark sql是为了兼容hive而产生的sql语句，GraphX提供的分布式图计算框架，MLlib提供的机器学习框架。因此spark所谓的实时处理数据则是通过spark streaming来实现的。 那么spark有哪些应用spark streaming应用程序可以实时跟踪页面统计，训练机器学习模型或则自动检测异常等 如网站监控   欺诈检测   实时准确数据转移   反作弊 + 计费   什么是StreamingContext 为了初始化Spark Streaming程序，一个StreamingContext对象必需被创建，它是Spark Streaming所有流操作的主要入口。一个StreamingContext 对象可以用SparkConf对象创建。StreamingContext这里可能不理解，其实跟SparkContext也差不多的。（可参考让你真正理解什么是SparkContext, SQLContext 和HiveContext）。同理也有hadoop Context，它们都是全文对象，并且会获取配置文件信息。那么配置文件有哪些？比如hadoop的core-site.xml,hdfs-site.xml等，spark如spark-defaults.conf等。这时候我们可能对StreamingContext有了一定的认识。下面一个例子 为了初始化Spark Streaming程序，一个StreamingContext对象必需被创建，它是Spark Streaming所有流操作的主要入口。 一个StreamingContext 对象可以用SparkConf对象创建。   [Scala] 纯文本查看 复制代码 ? 1 2 3 4 import org.apache.spark._ impoty org.apache.spark.streaming._ val conf = new SparkConf().setAppName(appName).setMaster(master) val ssc=new StreamingContext(conf,Seconds(1)) appName表示你的应用程序显示在集群UI上的名字,master 是一个Spark、Mesos、YARN集群URL 或者一个特殊字符串“local”，它表示程序用本地模式运行。当程序运行在集群中时，你并不希望在程序中硬编码 master ，而是希望用 sparksubmit启动应用程序，并从 spark-submit 中得到 master 的值。对于本地测试或者单元测试，你可以传递“local”字符串在同 一个进程内运行Spark Streaming。需要注意的是，它在内部创建了一个SparkContext对象，你可以通过 ssc.sparkContext访问这个SparkContext对象。 批时间片需要根据你的程序的潜在需求以及集群的可用资源来设定，你可以在性能调优那一节获取详细的信息.可以利用已经存在的 SparkContext 对象创建 StreamingContext 对象。 [Scala] 纯文本查看 复制代码 ? 1 2 3 import org.apache.spark.streaming._ val sc = ... // existing SparkContext val ssc = new StreamingContext(sc, Seconds(1)) 当一个上下文（context）定义之后，你必须按照以下几步进行操作   定义输入源； 准备好流计算指令； 利用 streamingContext.start() 方法接收和处理数据； 处理过程将一直持续，直到 streamingContext.stop() 方法被调用。 几点需要注意的地方： 一旦一个context已经启动，就不能有新的流算子建立或者是添加到context中。 一旦一个context已经停止，它就不能再重新启动 在JVM中，同一时间只能有一个StreamingContext处于活跃状态 在StreamingContext上调用 stop() 方法，也会关闭SparkContext对象。如果只想仅关闭StreamingContext对象，设 置 stop() 的可选参数为false 一个SparkContext对象可以重复利用去创建多个StreamingContext对象，前提条件是前面的StreamingContext在后面 StreamingContext创建之前关闭（不关闭SparkContext）。 什么是DStream Spark Streaming支持一个高层的抽象，叫做离散流( discretized stream )或者 DStream ，它代表连续的数据流。DStream既可以利用从Kafka, Flume和Kinesis等源获取的输入数据流创建，也可以 在其他DStream的基础上通过高阶函数获得。在内部，DStream是由一系列RDDs组成。 举例： 一个简单的基于Streaming的workCount代码如下：   [Scala] 纯文本查看 复制代码 ? 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 package com.debugo.example import org.apache.spark.streaming.{Seconds, StreamingContext} import org.apache.spark.streaming.StreamingContext._ import org.apache.spark.SparkConf    object WordCountStreaming {   def main(args: Array[String]): Unit ={     val sparkConf = new SparkConf().setAppName("HDFSWordCount").setMaster("spark://172.19.1.232:7077")        //create the streaming context     val  ssc = new StreamingContext(sparkConf, Seconds(30))        //process file when new file be found.     val lines = ssc.textFileStream("file:///home/spark/data")     val words = lines.flatMap(_.split(" "))     val wordCounts = words.map(x => (x, 1)).reduceByKey(_ + _)//这里不是rdd,而是dstream     wordCounts.print()     ssc.start()     ssc.awaitTermination()   } } 这段代码实现了当指定的路径有新文件生成时，就会对这些文件执行wordcount，并把结果print。具体流程如下： 代码诠释： 使用Spark Streaming就需要创建StreamingContext对象（类似SparkContext）。创建StreamingContext对象所需的参数与SparkContext基本一致，包括设定Master节点(setMaster），设定应用名称(setAppName)。第二个参数Seconds(30)，指定了Spark Streaming处理数据的时间间隔为30秒。需要根据具体应用需要和集群处理能力进行设置。 val lines = ssc.textFileStream("file:///home/spark/data")为创建lines Dstream val words = lines.flatMap(_.split(" "))为通过flatMap转换为words Dstream 我们在引一例，比如创建Twitter val tweets=ssc.twitterStream()   其中为tweets为DStream 后续更新 转载注明来自：about云（www.aboutyun.com）