Spark Streaming 编程入门指南

spark streaming 是核心spark api的扩展，可实现实时数据流的可伸缩，高吞吐量，容错流处理。可以从许多数据源（例如kafka，flume，kinesis或tcp sockets）中提取数据，并且可以使用复杂的算法处理数据，这些算法用高级函数表示，如map、reduce、join和window。最后，可以将处理后的数据推送到文件系统，数据库和实时仪表板。实际上，可以在数据流上应用spark的机器学习和图形处理算法。

在内部，它的工作方式如下。 spark streaming接收实时输入数据流，并将数据分成批次，然后由spark引擎进行处理，以生成批次的最终结果流。

spark streaming提供了一种高级抽象，称为离散流或dstream，它表示连续的数据流。dstreams可以从kafka、flume和kinesis等源的输入数据流创建，也可以通过在其他dstreams上应用高级操作创建。在内部，dstream表示为rdds序列。

1. 了解spark

apache spark 是一个用于大规模数据处理的统一分析引擎

    

特性：

快

将工作负载运行速度提高100倍

apache spark使用最新的dag调度程序，查询优化器和物理执行引擎，为批处理数据和流数据提供了高性能。

易用

可以使用java，scala，python，r和sql快速编写应用程序。

通用

结合sql、流和复杂的分析

spark为包括sql和dataframes，用于机器学习的mllib，graphx和spark streaming在内的一堆库提供支持。您可以在同一应用程序中无缝组合这些库。

到处运行

spark可在hadoop，apache mesos，kubernetes，独立或云中运行。它可以访问各种数据源。

可以在ec2，hadoop yarn，mesos或kubernetes上使用其独立集群模式运行spark。访问hdfs，alluxio，apache cassandra，apache hbase，apache hive和数百种其他数据源中的数据。

2. 入门案例

统计单词出现的次数，这个例子在hadoop中用mapreduce也写过。

javastreamingcontext是java版的streamingcontext。它是spark streaming功能的主要入口点。它提供了从输入源创建javadstream和javapairdstream的方法。可以使用context.sparkcontext访问内部的org.apache.spark.api.java.javasparkcontext。在创建和转换dstream之后，可以分别使用context.start()和context.stop()启动和停止流计算。

 1 public static void main(string[] args) throws interruptedexception {
 2     // create a local streamingcontext with two working thread and batch interval of 1 second
 3     sparkconf conf = new sparkconf().setmaster("local[2]").setappname("networkwordcount");
 4     javastreamingcontext jssc = new javastreamingcontext(conf, durations.seconds(1));
 5 
 6     // create a dstream that will connect to hostname:port, like localhost:9999
 7     javareceiverinputdstream<string> lines = jssc.sockettextstream("localhost", 9999);
 8 
 9     // split each line into words
10     javadstream<string> words = lines.flatmap(x -> arrays.aslist(x.split(" ")).iterator());
11 
12     // count each word in each batch
13     javapairdstream<string, integer> pairs = words.maptopair(s -> new tuple2<>(s, 1));
14     javapairdstream<string, integer> wordcounts = pairs.reducebykey((i1, i2) -> i1 + i2);
15 
16     // print the first ten elements of each rdd generated in this dstream to the console
17     wordcounts.print();
18 
19     // start the computation
20     jssc.start();
21     // wait for the computation to terminate
22     jssc.awaittermination();
23 }

3. 基本概念

3.1. maven依赖

1 <groupid>org.apache.spark</groupid>
2     <artifactid>spark-streaming_2.12</artifactid>
3     <version>2.4.5</version>
4     <scope>provided</scope>
5 </dependency>

为了从其它数据源获取数据，需要添加相应的依赖项spark-streaming-xyz_2.12。例如：

1 <dependency>
2     <groupid>org.apache.spark</groupid>
3     <artifactid>spark-streaming-kafka-0-10_2.12</artifactid>
4     <version>2.4.5</version>
5 </dependency>

3.2. 初始化streamingcontext

为了初始化一个spark streaming程序，必须创建一个streamingcontext对象，该对象是所有spark streaming功能的主要入口点。 

我们可以从sparkconf对象中创建一个javastreamingcontext对象

1 import org.apache.spark.sparkconf;
2 import org.apache.spark.streaming.duration;
3 import org.apache.spark.streaming.api.java.javastreamingcontext;
4 
5 sparkconf conf = new sparkconf().setappname(appname).setmaster(master);
6 javastreamingcontext ssc = new javastreamingcontext(conf, new duration(1000)); 

appname 参数是显示在集群ui上的你的应用的名字

master 参数是一个spark、 mesos 或 yarn 集群url，或者也可以是一个特定的字符串“local[*]”表示以本地模式运行。实际上，当在集群上运行时，肯定不希望对在程序中对master进行硬编码，而希望通过spark-submit启动应用程序并在其中接收它。然而，对于本地测试，你可以传“local[*]”来运行spark streaming。

还可以从一个已存在的javasparkcontext中创建一个javastreamingcontext对象

1 import org.apache.spark.streaming.api.java.*;
2 
3 javasparkcontext sc = ...   //existing javasparkcontext
4 javastreamingcontext ssc = new javastreamingcontext(sc, durations.seconds(1));

在定义完context之后，必须做以下事情：

1. 通过创建input dstreams来定义input sources
2. 通过对dstreams应用transformation（转换）和output（输出）操作来定义流计算
3. 用streamingcontext.start()来开始接收数据并处理它
4. 用streamingcontext.awaittermination()等待处理停止（手动停止或由于任何错误）
5. 用streamingcontext.stop()可以手动停止

需要记住的点：

• 一旦启动上下文，就无法设置新的流计算或将其添加到该流计算中
• 上下文一旦停止，就无法重新启动
• 一个jvm中只能同时激活一个streamingcontext
• streamingcontext中的stop()也会停止sparkcontext。但如果要仅停止streamingcontext的话，设置stop(false)
• 只要在创建下一个streamingcontext之前停止了上一个streamingcontext（不停止sparkcontext），就可以将sparkcontext重用于创建多个streamingcontext

3.3. dstreams（离散流）

discretized stream 或 dstream 是spark streaming提供的基本抽象。它表示一个连续的数据流，可以是从源接收的输入数据流，也可以是通过转换输入流生成的已处理数据流。在内部，dstream由一系列连续的rdd表示，这是spark对不变的分布式数据集的抽象。dstream中的每个rdd都包含来自特定间隔的数据，如下图所示。 

在dstream上执行的任何操作都转换为对基础rdd的操作。例如，最简单的将一行句子转换为单词的例子中，flatmap操作应用于行dstream中的每个rdd，以生成单词dstream的rdd。如下图所示：

 

3.4. input dstreams 和 receivers

input dstream是表示从源接收的输入数据流。在上图中，lines是输入dstream，因为它表示从netcat服务器接收的数据流。每一个输入dstream都关联着一个receiver对象，该对象从源接收数据并将其存储在spark的内存中以进行处理。

spark streaming提供了两类内置的streaming源：

• basic sources ：直接在streamingcontext api中可用的源。例如，文件系统和socket连接
• advanced sources ：像kafka，flume，kinesis等这样的源，可通过额外的程序类获得 

如果要在流应用程序中并行接收多个数据流，则可以创建多个输入dstream。这将创建多个receiver（接收器），这些接收器将同时接收多个数据流。重要的是要记住，必须为spark streaming应用程序分配足够的内核（或线程，如果在本地运行），以处理接收到的数据以及运行接收器。

需要记住的点：

• 在本地运行spark streaming程序时，请勿使用“ local”或“ local [1]”作为master url。这两种方式均意味着仅一个线程将用于本地运行任务。如果使用的是基于接收器的输入dstream（例如套接字，kafka，flume等），则将使用单个线程来运行接收器，而不会留下任何线程来处理接收到的数据。 因此，在本地运行时，请始终使用“ local [n]”作为主url，其中n>要运行的接收器数 
• 为了将逻辑扩展到在集群上运行，分配给spark streaming应用程序的内核数必须大于接收器数。 否则，系统将接收数据，但无法处理它。

basic sources 

为了从文件中读取数据，可以通过streamingcontext.filestream[keyclass, valueclass, inputformatclass]来创建一个dstream

例如：streamingcontext.textfilestream(datadirectory);

spark streaming将监视目录datadirectory并处理在该目录中创建的所有文件

• 可以监视一个简单的目录，例如："hdfs://namenode:8040/logs/2017/*"。在这里，dstream将由目录中与模式匹配的所有文件组成。也就是说：它是目录的模式，而不是目录中的文件。
• 所有文件必须使用相同的数据格式
• 根据文件的修改时间而不是创建时间，将其视为时间段的一部分
• 一旦已经被处理后，在当前窗口中对文件的更改不会导致重新读取该文件。即：更新被忽略。

3.5. transformations on dstreams

对dstreams做转换，与rdd相似，转换允许修改输入dstream中的数据。dstream支持普通spark rdd上可用的许多转换。一些常见的方法如下：

map(func)	通过将源dstream的每个元素传递给函数func来处理并返回新的dstream
flatmap(func)	与map类似，但是每个输入项可以映射到0个或多个输出项
filter(func)	过滤
repartition(numpartitions)	通过创建更多或更少的分区来更改此dstream中的并行度
union(otherstream)	将源dstream和另一个dstream中的元素合并在一起，返回一个新的dstream。相当于sql中的union
count()	返回元素的个数
reduce(func)	通过使用函数func（接受两个参数并返回一个）来聚合源dstream的每个rdd中的元素，从而返回一个单元素rdd的新dstream。
countbyvalue()	在类型为k的元素的dstream上调用时，返回一个新的（k，long）形式的dstream，其中每个键的值是其在源dstream的每个rdd中的频率。
reducebykey(func, [numtasks])	在一个（k，v）形式的dstream上调用时，返回一个新的（k，v）dstream，其中使用给定的reduce函数汇总每个键的值
join(otherstream, [numtasks])	在（k，v）和（k，w）两个dstream上调用时，返回一个新的（k，（v，w））dstream
cogroup(otherstream, [numtasks])	在（k，v）和（k，w）dstream上调用时，返回一个新的（k，seq [v]，seq [w]）元组的dstream
transform(func)	通过对源dstream的每个rdd应用rdd-to-rdd函数来返回新的dstream。这可用于在dstream上执行任意rdd操作。
updatestatebykey(func)	返回一个新的“state” dstream

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

其实，这次操作跟java stream很像

window operations（窗口操作）

spark streaming还提供了窗口计算，可以在数据的滑动窗口上应用转换。下图说明了此滑动窗口：

如图所示，每当窗口在源dstream上滑动时，就会对落入窗口内的源rdd进行操作，以生成窗口dstream的rdd。

任何窗口函数所必须的两个参数：

• 窗口的长度
• 滑到的频率（或者说时间间隔）

举个例子，我们来扩展前面的示例，假设我们想要每10秒在数据的最后30秒生成一次单词次数统计。为此，必须在数据的最后30秒内对（word，1）对的dstream对应用reducebykey操作。

 1 import org.apache.spark.streaming.durations;
 2 import org.apache.spark.streaming.api.java.javadstream;
 3 import org.apache.spark.streaming.api.java.javapairdstream;
 4 import scala.tuple2;
 5 
 6 
 7 javadstream<string> words = lines.flatmap(x -> arrays.aslist(x.split(" ")).iterator());
 8 javapairdstream<string, integer> pairs = words.maptopair(s -> new tuple2<>(s, 1));
 9 
10 // reduce last 30 seconds of data, every 10 seconds
11 javapairdstream<string, integer> windowedwordcounts = pairs.reducebykeyandwindow((i1, i2) -> i1 + i2, durations.seconds(30), durations.seconds(10));

一些常见的窗口操作如下。所有这些操作均采用上述两个参数：windowlength和slideinterval

window(windowlength, slideinterval)	返回基于源dstream的窗口批处理计算的新dstream
countbywindow(windowlength, slideinterval)	返回流中元素的滑动窗口数
reducebywindow(func, windowlength, slideinterval)	对窗口内的数据进行聚合操作
reducebykeyandwindow(func, windowlength, slideinterval, [numtasks])	在（k，v）dstream上调用时，返回新的（k，v）dstream，其中使用给定的reduce函数func在滑动窗口中的批处理上汇总每个键的值
reducebykeyandwindow(func, invfunc, windowlength, slideinterval, [numtasks])
countbyvalueandwindow(windowlength, slideinterval, [numtasks])

 

 

 

 

 

 

 

 

 

 

 

 

3.6. output operations on dstreams

输出操作允许将dstream的数据输出到外部系统，例如数据库或文件系统。

 

流式应用程序必须24/7全天候运行，因此必须能够抵抗与应用程序逻辑无关的故障（例如，系统故障，jvm崩溃等）。为此，spark streaming需要将足够的信息检查点指向容错存储系统，以便可以从故障中恢复。检查点有两种类型的数据。

• 元数据检查点-将定义流计算的信息保存到hdfs等容错存储中。这用于从运行流应用程序的驱动程序的节点的故障中恢复。
• 数据检查点-将生成的rdd保存到可靠的存储中 

 

完整代码：

 1 package com.example.demo;
 2 
 3 import org.apache.spark.sparkconf;
 4 import org.apache.spark.streaming.durations;
 5 import org.apache.spark.streaming.api.java.javadstream;
 6 import org.apache.spark.streaming.api.java.javapairdstream;
 7 import org.apache.spark.streaming.api.java.javastreamingcontext;
 8 import scala.tuple2;
 9 
10 import java.util.arrays;
11 import java.util.regex.pattern;
12 
13 /**
14  * @author chengjiansheng
15  */
16 public class javawordcount {
17 
18     private static final pattern space = pattern.compile(" ");
19 
20     public static void main(string[] args) {
21         if (args.length < 1) {
22             system.err.println("usage: javawordcount <file>");
23             system.exit(1);
24         }
25 
26         sparkconf conf = new sparkconf().setmaster("local[*]").setappname("javawordcount");
27         javastreamingcontext jssc = new javastreamingcontext(conf, durations.seconds(1));
28 
29         javadstream<string> lines = jssc.textfilestream(args[0]);
30         javadstream<string> words = lines.flatmap(line -> arrays.aslist(space.split(line)).iterator());
31         javapairdstream<string, integer> ones = words.maptopair(word -> new tuple2<>(word, 1));
32         javapairdstream<string, integer> counts = ones.reducebykey((i1, i2) -> i1 + i2);
33         counts.print();
34 
35         /*
36         javastreamingcontext jsc = new javastreamingcontext(conf, durations.seconds(1));
37         javadstream<string> textfilestream = jsc.textfilestream("/data");
38         textfilestream.flatmap(line->arrays.aslist(line.split(" ")).iterator())
39                 .maptopair(word->new tuple2<>(word, 1))
40                 .reducebykey((a,b)->a+b)
41                 .print();
42         jsc.start();
43         */
44     }
45 }

转自：https://www.cnblogs.com/cjsblog/p/12620974.html