利用mapWithState实现按照首字母统计的有状态的wordCount

最近在做sparkstreaming整合kafka的时候遇到了一个问题：

可以抽象成这样一个问题：有状态的wordcount，且按照word的第一个字母为key，但是要求输出的格式为(word,1)这样的形式

举例来说：

例如第一批数据为: hello how when hello

则要求输出为：(hello,1) (how,2) (when,1) (hello,3)

第二批数据为: hello how when what hi

则要求输出为: (hello,4) (how,5) (when,2) (what,3) (hi,6)

首先了解一下mapwithstate的常规用法:

ref:

稍微总结一下mapwithstate的几个tips:

1. mapwithstate是1.6版本之后推出的
2. 必须设置checkpoint来储存历史数据
3. mapwithstate和updatestatebykey的区别 : 他们类似,都是有状态dstream操作, 区别在于,updatestatebykey是输出增量数据,随着时间的增加, 输出的数据越来越多,这样会影响计算的效率, 对cpu和内存压力较大.而mapwithstate则输出本批次数据,但是也含有状态更新.
4. checkpoint的数据会分散存储在不同的分区中, 在进行状态更新时, 首先会对当前 key 做 hash , 再到对应的分区中去更新状态 , 这种方式大大提高了效率.

解决问题的思路:

state中保存状态为(string,int) 元组类型, 其中string为word的全量, 而int为word的计数.

import org.apache.spark.sparkconf
import org.apache.spark.streaming.dstream.mapwithstatedstream
import org.apache.spark.streaming.{seconds, state, statespec, streamingcontext}

object mapwithstateapp {
  def main(args: array[string]): unit = {
    val conf = new sparkconf().setmaster("local[*]").setappname("mapwithstateapp")
    val ssc = new streamingcontext(conf,seconds(5))
    ssc.checkpoint("c:\\users\\hylz\\desktop\\checkpoint")
    val lines = ssc.sockettextstream("192.168.100.11",8888)
    val words = lines.flatmap(_.split(" "))

    def mappingfunc(key: string, value: option[(string, int)], state: state[(string, int)]): (string, int) = {
      val cnt: int = value.getorelse((null, 0))._2 + state.getoption.getorelse((null, 0))._2
      val allfield: string = value.getorelse((null, 0))._1
      state.update((allfield, cnt))
      (allfield, cnt)
    }

    val cnt: mapwithstatedstream[string, (string, int), (string, int), (string, int)] = words.map(x => (x.substring(0, 1), (x, 1))).mapwithstate(statespec.function(mappingfunc _))

    cnt.print()
    ssc.start()
    ssc.awaittermination()
  }
}

测试结果如下

input： hello how when hello

input： hello how when what hi