Structured Streaming
程序员文章站
2022-05-22 09:01:57
...
Structured Streaming
什么是Structured Streaming
泛指使用SQL操作Spark的流处理。Structured Streaming是一个scalable 和 fault-tolerant 流处理引擎，该引擎是构建Spark SQL之上。可以使得用户以静态批处理的方式去计算流处理。Structured Streaming底层毁掉用SparkSQL 引擎对流数据做增量和持续的更新计算并且输出最终结果。用户可以使用 Dataset/DataFrame API完成流处理中的常见问题：aggregations-聚合统计、event-time window-事件窗口、stream-to-batch/stream-to-stream join连接等功能。Structured Streaming可以通过 checkpointing （检查点）和 Write-Ahead Logs（写前日志）机制实现end-to-end（端到端）、exactly-once（进准一次）语义容错机制。总之Structured Streaming提供了 快速、可扩展、容错、端到端的精准一次的流处理，无需用户过多的干预。
Structured Streaming底层计算引擎默认采取的是micro-batch处理引擎（DStream一致的），除此之外Spark还提供了其它的处理模型可供选择：micro-batch-100ms、Fixed interval micro-batches、One-time micro-batch、Continuous Processing-1ms(实验)
快速入门
- pom
<properties>
<spark.version>2.4.3</spark.version>
<scala.version>2.11</scala.version>
</properties>
<dependencies>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-sql_${scala.version}</artifactId>
<version>${spark.version}</version>
</dependency>
</dependencies>
- Driver 程序
//1.创建sparksession
val spark = SparkSession
.builder
.appName("StructuredNetworkWordCount")
.master("local[5]")
.getOrCreate()
import spark.implicits._
spark.sparkContext.setLogLevel("FATAL")
//2.通过流的方式创建Dataframe - 细化
val lines = spark.readStream
.format("socket")
.option("host", "CentOS")
.option("port", 9999)
.load()
//3.执行SQL操作 API - 细化 窗口等
val wordCounts = lines.as[String].flatMap(_.split(" "))
.groupBy("value").count()
//4.构建StreamQuery 将结果写出去 - 细化
val query = wordCounts.writeStream
.outputMode("complete") //表示全量输出，等价于 updateStateByKey
.format("console")
.start()
//5.关闭流
query.awaitTermination()
常规概念
结构化流处理中的关键思想是将实时数据流视为被连续追加的表。将输入数据流视为“Input Table”。流上到达的每个数据项都像是将新行附加到Input Table中。
对Input Table的查询将生成“Result Table”。每个触发间隔（例如，每1秒钟），新行将附加到Input Table中，最终更新Result Table。无论何时更新Result Table，我们都希望将更改后的结果行写入外部接收器（sink）。
“输出”定义为写到外部存储器的内容。输出支持一下模式的输出：
- Complete Mode（状态） - 整个更新的结果表将被写入外部存储器。由存储连接器决定如何处理整个表的写入。
- Update Mode（状态） - 自上次触发以来，仅结果表中已更新的行将被写入外部存储（Spark 2.1.1），如果没有聚合该策略等价于Append Mode
- Append Mode（无状态） - 自上次触发以来，仅追加到结果表中的新行将被写入外部存储。这仅适用于结果表中现有行预计不会更改的查询。（Append也可以用在含有聚合的查询中，但是仅仅限制在窗口计算-后续讨论）
注意：
- Spark 并不会存储 Input Table 的数据，一旦处理完数据之后，就将接收的数据丢弃。Spark仅仅维护的是计算的中间结果（状态）
2）Structured Stream好处在于用户无需维护 计算状态（相比较于Storm流处理），Spark就可以实现end-to-end（端到端）、exactly-once（进准一次）语义容错机制。
输入和输出
输入
√Kafka source
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-sql-kafka-0-10_${scala.version}</artifactId>
<version>${spark.version}</version>
</dependency>
//1.创建sparksession
val spark = SparkSession
.builder
.appName("StructuredNetworkWordCount")
.master("local[6]")
.getOrCreate()
import spark.implicits._
spark.sparkContext.setLogLevel("FATAL")
//2.通过流的方式创建Dataframe
val df = spark.readStream
.format("kafka")
.option("kafka.bootstrap.servers", "CentOS:9092")
.option("subscribe", "topic01")
.load()
//3.执行SQL操作 API
import org.apache.spark.sql.functions._
val wordCounts = df.selectExpr("CAST(key AS STRING)", "CAST(value AS STRING)", "partition", "offset", "CAST(timestamp AS LONG)")
.flatMap(row => row.getAs[String]("value").split("\\s+"))
.map((_, 1))
.toDF("word", "num")
.groupBy($"word")
.agg(sum($"num"))
//4.构建StreamQuery 将结果写出去
val query = wordCounts.writeStream
.outputMode(OutputMode.Update())
.format("console")
.start()
//5.关闭流
query.awaitTermination()
FileSource(了解)
//1.创建sparksession
val spark = SparkSession
.builder
.appName("StructuredNetworkWordCount")
.master("local[6]")
.getOrCreate()
import spark.implicits._
spark.sparkContext.setLogLevel("FATAL")
//2.通过流的方式创建Dataframe - 细化
val schema = new StructType()
.add("id",IntegerType)
.add("name",StringType)
.add("age",IntegerType)
.add("dept",IntegerType)
val df = spark.readStream
.schema(schema)
.format("json")
.load("file:///D:/demo/json")
//3 。SQL操作
// 略
//4.构建StreamQuery 将结果写出去
val query = df.writeStream
.outputMode(OutputMode.Update())
.format("console")
.start()
//5.关闭流
query.awaitTermination()
输出
File sink(了解)
val spark = SparkSession
.builder
.appName("filesink")
.master("local[6]")
.getOrCreate()
import spark.implicits._
spark.sparkContext.setLogLevel("FATAL")
val lines = spark.readStream
.format("socket")
.option("host", "CentOS")
.option("port", 9999)
.load()
val wordCounts=lines.as[String].flatMap(_.split("\\s+"))
.map((_,1))
.toDF("word","num")
val query = wordCounts.writeStream
.outputMode(OutputMode.Append())
.option("path", "file:///D:/write/json")
.option("checkpointLocation", "file:///D:/checkpoints") //需要指定检查点
.format("json")
.start()
query.awaitTermination()
仅仅只支持Append Mode,所以一般用作数据的清洗，不能做为数据分析（聚合）输出。
√Kafka Sink
val spark = SparkSession
.builder
.appName("filesink")
.master("local[6]")
.getOrCreate()
import spark.implicits._
spark.sparkContext.setLogLevel("FATAL")
val lines = spark.readStream
.format("socket")
.option("host", "CentOS")
.option("port", 9999)
.load()
//import org.apache.spark.sql.functions._
//001 zhangsan iphonex 15000
val userCost=lines.as[String].map(_.split("\\s+"))
.map(ts=>(ts(0),ts(1),ts(3).toDouble))
.toDF("id","name","cost")
.groupBy("id","name")
.sum("cost")
.as[(String,String,Double)]
.map(t=>(t._1,t._2+"\t"+t._3))
.toDF("key","value") //输出字段中必须有value string类型
val query = userCost.writeStream
.outputMode(OutputMode.Update())
.format("kafka")
.option("topic","topic02")
.option("kafka.bootstrap.servers","CentOS:9092")
.option("checkpointLocation","file:///D:/checkpoints01")//设置程序的检查点
.start()
//5.关闭流
query.awaitTermination()
支持 Append, Update, Complete输出模式
√Foreach sink
使用foreach和foreachBatch操作，您可以在流查询的输出上应用任意操作并编写逻辑。它们的用例略有不同-尽管foreach允许在每行上使用自定义写逻辑，而foreachBatch允许在每个微批处理的输出上进行任意操作和自定义逻辑。
ForeachBatch
foreachBatch（…）允许您指定在流查询的每个微批处理的输出数据上执行的函数。从Spark 2.4开始，Scala，Java和Python支持此功能。它具有两个参数：具有微批处理的输出数据的DataFrame或Dataset和微批处理的唯一ID。
val lines = spark.readStream
.format("socket")
.option("host", "CentOS")
.option("port", 9999)
.load()
//001 zhangsan iphonex 15000
val userCost=lines.as[String].map(_.split("\\s+"))
.map(ts=>(ts(0),ts(1),ts(3).toDouble))
.toDF("id","name","cost")
.groupBy("id","name")
.sum("cost")
.as[(String,String,Double)]
.map(t=>(t._1,t._2+"\t"+t._3))
.toDF("key","value") //输出字段中必须有value string类型
userCost.printSchema()
val query = userCost.writeStream
.outputMode(OutputMode.Update())
.foreachBatch((ds:Dataset[Row],bacthId)=>{
ds.show()
})
.start()
//5.关闭流
query.awaitTermination()
使用foreachBatch，可以执行以下操作。
- 使用现有的批处理当中的writer或者是Sink将数据写出到外围系统
- 可以讲数据集合写到多个地方
streamingDF.writeStream.foreachBatch { (batchDF: DataFrame, batchId: Long) =>
batchDF.persist() //缓存
batchDF.write.format(...).save(...) // location 1
batchDF.write.format(...).save(...) // location 2
batchDF.unpersist()//释放缓存
}
- 可以拿到dataset或者Dataframe执行额外的SQL操作。
Foreach
如果不使用foreachBatch，则可以使用foreach表达自定义writer将数据写到外围系统。具体来说，您可以通过自定Writer将数据写到外围系统：open，process和close。从Spark 2.4开始，foreach在Scala，Java和Python中可用。
val spark = SparkSession
.builder
.appName("filesink")
.master("local[6]")
.getOrCreate()
import spark.implicits._
spark.sparkContext.setLogLevel("FATAL")
val lines = spark.readStream
.format("socket")
.option("host", "CentOS")
.option("port", 9999)
.load()
import org.apache.spark.sql.functions._
//001 zhangsan iphonex 15000
val userCost=lines.as[String].map(_.split("\\s+"))
.map(ts=>(ts(0),ts(1),ts(3).toDouble))
.toDF("id","name","cost")
.groupBy("id","name")
.agg(sum("cost") as "cost")
val query = userCost.writeStream
.outputMode(OutputMode.Update())
.foreach(new ForeachWriter[Row] {
override def open(partitionId: Long, epochId: Long): Boolean = {//开启事务
// println(s"open:${partitionId},${epochId}")
return true //返回true，系统调用 process ，然后调用 close
}
override def process(value: Row): Unit = {
val id=value.getAs[String]("id")
val name=value.getAs[String]("name")
val cost=value.getAs[Double]("cost")
println(s"${id},${name},${cost}") //提交事务
}
override def close(errorOrNull: Throwable): Unit = {
//println("close:"+errorOrNull) //errorOrNull！=nul 回滚事务
}
})
.start()
//5.关闭流
query.awaitTermination()
窗口计算（前闭后开时间区间）
快速入门
滑动事件时间窗口上的聚合对于结构化流而言非常简单，并且与分组聚合非常相似。时间是嵌入在数据当中
//1.创建sparksession
val spark = SparkSession
.builder
.appName("windowWordcount")
.master("local[6]")
.getOrCreate()
import spark.implicits._
spark.sparkContext.setLogLevel("FATAL")
//2.通过流的方式创建Dataframe - 细化
val lines = spark.readStream
.format("socket")
.option("host", "CentOS")
.option("port", 9999)
.load()
//3.执行SQL操作 API
// a 时间戳Long
import org.apache.spark.sql.functions._
val wordCounts = lines.as[String].map(_.split("\\s+"))
.map(ts => (ts(0), new Timestamp(ts(1).toLong), 1))
.toDF("word", "timestamp", "num")
.groupBy(
window($"timestamp", "4 seconds", "2 seconds"),
$"word")
.agg(sum("num") as "sum")
.map(row=> {
val start = row.getAs[Row]("window").getAs[Timestamp]("start")
val end = row.getAs[Row]("window").getAs[Timestamp]("end")
val word = row.getAs[String]("word")
val sum = row.getAs[Long]("sum")
(start,end,word,sum)
}).toDF("start","end","word","sum")
wordCounts.printSchema()
//4.构建StreamQuery 将结果写出去
val query = wordCounts.writeStream
.outputMode(OutputMode.Complete())
.format("console")
.start()
//5.关闭流
query.awaitTermination()
Late Data & Watermarking
在窗口流处理当中，由于网络传输的问题，数据有可能出现乱序，比如说 计算节点以及读到12:11的数据已经完成计算了，也就意味着12:00~12:10的窗口已经触发过了，后续抵达的数据的时间正常来说一定12:11以后的数据，但实际的使用场景中由于网络延迟或者故障导致出现乱序的数据，例如在12:11，接受到了12:04数据，此时Spark需要将12:04添加到12:00 ~ 12:10窗口中，也就意味着Spark一直存储12:00 ~ 12:10窗口的计算状态，因此默认Spark会一直留存窗口的计算状态，来保证乱序可以正常加入到窗口计算中。
由于流计算不同于批处理，需要24*7小时不间断的工作，因此对于流处理而言长时间存储的计算状态不太切合实际，因此我们需要告诉引擎什么时候可以丢弃计算中间状态。Spark2.1提出Watermarking机制，可以让引擎知道什么时候丢弃窗口的计算状态。watermarker计算公式max event time seen by the engine - late threshold，当窗口的endtime T值 < watermarker,这个时候Spark就可以丢弃该窗口的计算状态。如果后续还有数据落入到了 已经被淹没的窗口中，称为该数据为late data。由于窗口被淹没，因此窗口的状态就没法保证一定存在（Spark会尝试清理那些 已经被淹没窗口状态），迟到越久的数据被处理的几率越低。
一般情况下，窗口触发条件是：Watermarking >= 窗口 end time ,窗口输出的结果一般是FinalResult，但是在Structured Streaming中Watermarking 仅仅控制的是引擎什么时候删除窗口计算状态。如果用户想输出的FinalResult，也就意味着只用当Watermarking >= 窗口 end time的时候才输出结果，用户必须配合Append输出模式.
在使用水位线机制的时候用户不能使用
Complete 输出模式。
update输出
输出条件：
- 有数据落入到窗口
- 水位线没有没过
窗口可能会多次触发，但是一旦水位线没过窗口endtime，有可能数据就会被丢弃
//1.创建sparksession
val spark = SparkSession
.builder
.appName("windowWordcount")
.master("local[6]")
.getOrCreate()
import spark.implicits._
spark.sparkContext.setLogLevel("FATAL")
//2.通过流的方式创建Dataframe - 细化
val lines = spark.readStream
.format("socket")
.option("host", "CentOS")
.option("port", 9999)
.load()
//3.执行SQL操作 API
// a 时间戳Long
import org.apache.spark.sql.functions._
val wordCounts = lines.as[String].map(_.split("\\s+"))
.map(ts => (ts(0), new Timestamp(ts(1).toLong), 1))
.toDF("word", "timestamp", "num")
.withWatermark("timestamp", "1 second")
.groupBy(
window($"timestamp", "4 seconds", "2 seconds"),
$"word")
.agg(sum("num") as "sum")
.map(row=> {
val start = row.getAs[Row]("window").getAs[Timestamp]("start")
val end = row.getAs[Row]("window").getAs[Timestamp]("end")
val word = row.getAs[String]("word")
val sum = row.getAs[Long]("sum")
(start,end,word,sum)
}).toDF("start","end","word","sum")
wordCounts.printSchema()
//4.构建StreamQuery 将结果写出去
val query = wordCounts.writeStream
.outputMode(OutputMode.Update())
.format("console")
.start()
//5.关闭流
query.awaitTermination()
Append
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-fbNynYaA-1570946472890)(assets/1570783542673.png)]
输出前提：必须是水位线 >= 窗口的end time
//1.创建sparksession
val spark = SparkSession
.builder
.appName("windowWordcount")
.master("local[6]")
.getOrCreate()
import spark.implicits._
spark.sparkContext.setLogLevel("FATAL")
//2.通过流的方式创建Dataframe - 细化
val lines = spark.readStream
.format("socket")
.option("host", "CentOS")
.option("port", 9999)
.load()
//3.执行SQL操作 API
// a 时间戳Long
import org.apache.spark.sql.functions._
val wordCounts = lines.as[String].map(_.split("\\s+"))
.map(ts => (ts(0), new Timestamp(ts(1).toLong), 1))
.toDF("word", "timestamp", "num")
.withWatermark("timestamp", "1 second")
.groupBy(
window($"timestamp", "4 seconds", "2 seconds"),
$"word")
.agg(sum("num") as "sum")
.map(row=> {
val start = row.getAs[Row]("window").getAs[Timestamp]("start")
val end = row.getAs[Row]("window").getAs[Timestamp]("end")
val word = row.getAs[String]("word")
val sum = row.getAs[Long]("sum")
(start,end,word,sum)
}).toDF("start","end","word","sum")
wordCounts.printSchema()
//4.构建StreamQuery 将结果写出去
val query = wordCounts.writeStream
.outputMode(OutputMode.Append())
.format("console")
.start()
//5.关闭流
query.awaitTermination()
严格意义上说Spark并没有提供对 too late数据（在其他的流处理框架称为迟到，所谓late数据称为乱序）的处理机制，默认策略是丢弃。Storm和Flink都提供了对too late数据的处理方案，这一点Spark有待提高。
Join 操作
Structured Streaming 不仅仅支持和static的dataset/dataframe还支持流中dataset/dataframe。
Stream-static Joins
val spark = SparkSession
.builder
.appName("windowWordcount")
.master("local[6]")
.getOrCreate()
import spark.implicits._
spark.sparkContext.setLogLevel("FATAL")
//001 apple 2 4.5
val orderLines = spark.readStream
.format("socket")
.option("host", "CentOS")
.option("port", 9999)
.load()
import org.apache.spark.sql.functions._
val orderDF = orderLines.as[String].map(_.split("\\s+"))
.map(ts => (ts(0), ts(1), ts(2).toInt, ts(3).toDouble))
.toDF("id", "name", "count", "price")
val userDF = List(("001","zhangsan"),("002","lisi"),("003","wangwu")).toDF("uid","name")
//等价 userDF.join(orderDF,expr("id=uid"),"right_outer")
val result = userDF.join(orderDF,$"id" ===$"uid","right_outer")
//4.构建StreamQuery 将结果写出去
val query = result.writeStream
.outputMode(OutputMode.Append())
.format("console")
.start()
//5.关闭流
query.awaitTermination()
stream-static支持 inner、left_outer | static-stream支持 inner、right_outer
Stream-stream Joins
在Spark 2.3中，我们添加了对流流连接的支持，即您可以连接两个流Dataset/ DataFrame。流流的join最大挑战是系统需要缓存流的信息，让后和后续的输入的数据进行join，也就意味Spark需要缓存流的状态，这就会给框架的内存带来很大的压力。因此在Structured Stream中引入watermarker的概念，作用为了限制state的存活时间，告知spark什么时候可以释放的流中状态。
内连接可以使用任意一些column作为连接条件，然而在stream计算开始运行的时候 ，流计算的状态会持续的增长，因为必须存储所有传递过来的状态数据，然后和后续的新接收的数据做匹配。为了避免无限制的状态存储。一般需要定义额外的join的条件。例如限制一些old数据如果和新数据时间间隔大于某个阈值就不能匹配。因此可以删除这些陈旧的状态。简单来说需要做以下步骤：
- 两边流计算需要定义watermarker延迟，这样系统可以知道两个流的时间差值。
- 定制一下event time的限制条件，这样引擎可以计算出哪些数据old的不再需要了。可以使用一下两种方式定制
时间范围界定例如：
- JOIN ON leftTime BETWEEN rightTime AND rightTime + INTERVAL 1 HOUR (Range join)
- 基于Event-time Window 例如：JOIN ON leftTimeWindow = rightTimeWindow （window join）
range
val spark = SparkSession
.builder
.appName("windowWordcount")
.master("local[6]")
.getOrCreate()
import spark.implicits._
spark.sparkContext.setLogLevel("FATAL")
//001 apple 2 4.5 1566113400000 2019-08-18 15:30:00
val orderLines = spark.readStream
.format("socket")
.option("host", "CentOS")
.option("port", 9999)
.load()
//001 zhangsan 1566113400000 2019-08-18 15:30:00
val userLogin = spark.readStream
.format("socket")
.option("host", "CentOS")
.option("port", 8888)
.load()
import org.apache.spark.sql.functions._
val userDF = userLogin.as[String].map(_.split("\\s+"))
.map(ts => (ts(0), ts(1),new Timestamp(ts(2).toLong)))
.toDF("uid","uname","tlogin")
.withWatermark("tlogin","1 seconds")
val orderDF = orderLines.as[String].map(_.split("\\s+"))
.map(ts => (ts(0), ts(1), ts(2).toInt, ts(3).toDouble,new Timestamp(ts(4).toLong)))
.toDF("id", "name", "count", "price","torder")
.withWatermark("torder","1 second")
val joinExpr=
"""
id=uid AND
torder >= tlogin AND
torder <= tlogin + interval 2 seconds
"""
val result=userDF.join(orderDF, expr(joinExpr),"left_outer")
//4.构建StreamQuery 将结果写出去
val query = result.writeStream
.outputMode(OutputMode.Append())
.format("console")
.start()
//5.关闭流
query.awaitTermination()
window
val spark = SparkSession
.builder
.appName("windowWordcount")
.master("local[6]")
.getOrCreate()
import spark.implicits._
spark.sparkContext.setLogLevel("FATAL")
//001 apple 2 4.5 1566113400000 2019-08-18 15:30:00
val orderLines = spark.readStream
.format("socket")
.option("host", "CentOS")
.option("port", 9999)
.load()
//001 zhangsan 1566113400000 2019-08-18 15:30:00
val userLogin = spark.readStream
.format("socket")
.option("host", "CentOS")
.option("port", 8888)
.load()
import org.apache.spark.sql.functions._
val userDF = userLogin.as[String].map(_.split("\\s+"))
.map(ts => (ts(0), ts(1),new Timestamp(ts(2).toLong)))
.toDF("uid","uname","tlogin")
.withWatermark("tlogin","1 seconds")
.withColumn("leftWindow",window($"tlogin","10 seconds","5 seconds"))
val orderDF = orderLines.as[String].map(_.split("\\s+"))
.map(ts => (ts(0), ts(1), ts(2).toInt, ts(3).toDouble,new Timestamp(ts(4).toLong)))
.toDF("id", "name", "count", "price","torder")
.withWatermark("torder","1 second")
.withColumn("rightWindow",window($"torder","10 seconds","5 seconds"))
val joinExpr=
"""
id=uid AND leftWindow = rightWindow
"""
val result=userDF.join(orderDF, expr(joinExpr))
//4.构建StreamQuery 将结果写出去
val query = result.writeStream
.outputMode(OutputMode.Append())
.format("console")
.start()
//5.关闭流
query.awaitTermination()
将任务打包递交给集群
id name 数量 价格 时间 类目
1 zhangsan 2 3.5 2019-10-10 10:10:00 水果
1 zhangsan 1 1500 2019-10-10 10:10:00 手机
...
统计出年度用户总消费 - kafka
1 zhangsan 水果 50000
1 zhangsan 手机 xxx
import java.util.regex.Pattern
import org.apache.spark.sql.SparkSession
import org.apache.spark.sql.streaming.OutputMode
object UserOrderAnalyzer {
def main(args: Array[String]): Unit = {
val spark = SparkSession.builder()
.appName("UserOrderAnalyzer")
.master("spark://CentOS:7077")
.getOrCreate()
import spark.implicits._
spark.sparkContext.setLogLevel("FATAL")
//1 zhangsan 2 3.5 2019-10-10 10:10:00 水果
val userOrderLog = spark.readStream
.format("kafka")
.option("kafka.bootstrap.servers", "CentOS:9092")
.option("subscribe", "topic01")
.load().selectExpr("CAST(value AS STRING)")
spark.udf.register("order_cost",(count:Int,price:Double)=>{
count*price
})
import org.apache.spark.sql.functions._
val userOrderDF = userOrderLog.as[String]
.filter(isLegal(_))
.map(parse(_))
.toDF("id", "name", "count", "price", "year", "channel")
.selectExpr("id","name","order_cost(count,price) as cost","year","channel")
.groupBy($"id", $"name", $"year")
.agg(sum("cost") as "cost")
.as[(Int,String,String,Double)]
.map(t=>(t._1+":"+t._2,t._3+"\t"+t._4))
.toDF("key","value")
val query= userOrderDF.writeStream
.outputMode(OutputMode.Update())
.option("kafka.bootstrap.servers", "CentOS:9092")
.option("topic", "topic02")
.option("checkpointLocation","hdfs:///checkpoints-UserOrderAnalyzer")
.format("kafka")
.start()
query.awaitTermination()
}
def isLegal(log:String):Boolean={
val regex="(\\d+)\\s(.*)\\s(\\d+)\\s(\\d+\\.\\d+)\\s(\\d{4}).*\\d{2}\\s(.*)"
val pattern = Pattern.compile(regex)
val matcher = pattern.matcher(log)
matcher.matches()
}
def parse(log:String):(Int,String,Int,Double,String,String) ={
val regex="(\\d+)\\s(.*)\\s(\\d+)\\s(\\d+\\.\\d+)\\s(\\d{4}).*\\d{2}\\s(.*)"
val pattern = Pattern.compile(regex)
val matcher = pattern.matcher(log)
matcher.matches()
(matcher.group(1).toInt,matcher.group(2),matcher.group(3).toInt,matcher.group(4).toDouble,matcher.group(5),matcher.group(6))
}
}
- 在项目中修改依赖pom
<properties>
<spark.version>2.4.3</spark.version>
<scala.version>2.11</scala.version>
</properties>
<dependencies>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-sql_${scala.version}</artifactId>
<version>${spark.version}</version>
<scope>provided</scope>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-sql-kafka-0-10_${scala.version}</artifactId>
<version>${spark.version}</version>
</dependency>
</dependencies>
<build>
<plugins>
<!--在执行package时候，将scala源码编译进jar-->
<plugin>
<groupId>net.alchim31.maven</groupId>
<artifactId>scala-maven-plugin</artifactId>
<version>4.0.1</version>
<executions>
<execution>
<id>scala-compile-first</id>
<phase>process-resources</phase>
<goals>
<goal>add-source</goal>
<goal>compile</goal>
</goals>
</execution>
</executions>
</plugin>
<!--将依赖jar打入到jar中-->
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-shade-plugin</artifactId>
<version>2.4.3</version>
<executions>
<execution>
<phase>package</phase>
<goals>
<goal>shade</goal>
</goals>
<configuration>
<filters>
<filter>
<artifact>*:*</artifact>
<excludes>
<exclude>META-INF/*.SF</exclude>
<exclude>META-INF/*.DSA</exclude>
<exclude>META-INF/*.RSA</exclude>
</excludes>
</filter>
</filters>
</configuration>
</execution>
</executions>
</plugin>
</plugins>
</build>
- 任务提交(fatjar)
[aaa@qq.com spark-2.4.3]# ./bin/spark-submit --master spark://CentOS:7077
--deploy-mode cluster
--class com.baizhi.demo.UserOrderAnalyzer
--total-executor-cores 6
/root/finalspark-1.0-SNAPSHOT.jar
- 远程jar下载（网络-不推荐）
[aaa@qq.com spark-2.4.3]# ./bin/spark-submit --master spark://CentOS:7077
--deploy-mode cluster
--class com.baizhi.demo.UserOrderAnalyzer
--total-executor-cores 6
--packages org.apache.spark:spark-sql-kafka-0-10_2.11:2.4.3
/root/original-finalspark-1.0-SNAPSHOT.jar
</filters>
</configuration>
</execution>
</executions>
</plugin>
</plugins>
- 任务提交(fatjar)
[aaa@qq.com spark-2.4.3]# ./bin/spark-submit --master spark://CentOS:7077
--deploy-mode cluster
--class com.baizhi.demo.UserOrderAnalyzer
--total-executor-cores 6
/root/finalspark-1.0-SNAPSHOT.jar
- 远程jar下载（网络-不推荐）
[aaa@qq.com spark-2.4.3]# ./bin/spark-submit --master spark://CentOS:7077
--deploy-mode cluster
--class com.baizhi.demo.UserOrderAnalyzer
--total-executor-cores 6
--packages org.apache.spark:spark-sql-kafka-0-10_2.11:2.4.3
/root/original-finalspark-1.0-SNAPSHOT.jar
一般企业内网服务器不会连接外网
上一篇： Structured Streaming
下一篇： Structured Streaming
推荐阅读
-
用python + hadoop streaming 分布式编程（一） -- 原理介绍，样例程序与本地调试
-
nginx 0.8.54/1.0.0 在cygwin环境下的编译（包括 nginx_mod_h264_streaming-2.2.7）
-
nginx 0.8.54/1.0.0 在cygwin环境下的编译（包括 nginx_mod_h264_streaming-2.2.7）
-
录音精灵Apowersoft Streaming Audio Recorder安装及激活图文教程(附注册码)
-
Apache 流框架 Flink，Spark Streaming，Storm对比分析（一）
-
Apache 流框架 Flink，Spark Streaming，Storm对比分析（二）
-
使用IIS Live Smooth Streaming技术搭建流媒体直播系统
-
.NET Core + gRPC 实现数据串流 (Streaming)
-
用python + hadoop streaming 分布式编程（一） -- 原理介绍，样例程序与本地调试
-
Hadoop streaming详细介绍