Spark Streaming入门

1、概述

        A.Spark Streaming 是Spark Core 的API的扩展，它是一个支持扩展，高吞吐量、容错的流式处理框架。

        B.数据可以从kafka、flume、kinesis、TCP 端口收集，可以被诸如map、reduce、join、window（实时计算特有概念）等高级别函数处理，最后输出到文件系统、数据库或者显示屏上。

        C.实际上，你还可以在数据流上应用机器学习（有些公司在做实时的机器学习）和图计算。

    问题1：为什么Spark Streaming 可以结合机器学习和图计算，为什么不用Storm呢？

        答：Spark 是一个提供一站式解决大数据问题的框架，借助于Dataset和DataFrame,Spark的所有组件可以完美协调。对于Spark Streaming对接机器学习，数据由Spark Streaming 处理后直接交由机器学习框架进行处理即可，若是由Storm完成相应的功能，必然需要先进行数据落地后再交由机器学习框架处理。

       2、 Spark Streaming 的工作原理

       A. Spark Streaming接收实时数据流，并按照一定时间间隔将连续的数据流拆分成一批批离散的数据集。

        B.然后应用诸如map、reduce、join、window等丰富的API进行复杂的数据处理后，交由Spark的引擎进行计算，生成批量结果数据后输出。

        注意：Spark Streaming被称为准实时处理系统，它并不是真正意义上的实时处理系统。实时可以使用Flink。

3、DStream

A.Spark Streaming提供一个高级别的抽象，称之为Discretized Stream,简称DStream,它代表一个连续不断的数据流。B.DStreams有两种创建的方式，一是可以从诸如kafka、flume、kinesis、等输入的数据流上创建，而是可以通过在其他DStreams上应用高级操作创建。实际上，DStream代表的是一个RDD的序列。

C.可以使用java、python、scala三种语言编写Spark Streaming应用程序。在python中，有一些api是不同的或者不可用的，我们做了相应的标记。

 问题2：Spark Streaming对比Storm。

答：目前应用最广泛的大数据流式处理框架是Storm。

       Spark Streaming最低0.5~2秒做一次处理，Storm最低可达0.1s,在实时性和容错性上Storm更佳。借助于RDD，Spark Streaming可以与Spark上所有组件实现无缝对接共享数据，还可以十分方便的kafka、flume等日志收集框架进行集成，同时

Spark Streaming的吞吐量要远远大于Storm，所以在集成性和吞吐量上Spark Streaming优于Storm。

4、一个简单的例子

         来快速完成一个Spark Streaming的例子，即让我们来统计一个监听的TCP端口接收到的文本数据中的词频。

        首先，为了添加一些其他类中可用的方法在我们的环境中，我们要导入一些Spark Streaming的类和StreamingContext中的一些隐式转换，我们创建了一个带有两个线程的StreamingContext，批处理间隔为1s。

import org.apache.spark._
import org.apache.spark.streaming._
import org.apache.spark.streaming.StreamingContext._ // not necessary since Spark 1.3

// Create a local StreamingContext with two working thread and batch interval of 1 second.
// The master requires 2 cores to prevent a starvation scenario.
注意：local[n]中n最小值为2，因为每个Receiver占用一个core，至少一个Receiver,Main()占用一个core。core数量不够则只启用Receiver接受数据而不处理数据
val conf = new SparkConf().setMaster("local[2]").setAppName("NetworkWordCount")
val ssc = new StreamingContext(conf, Seconds(1))

        为了使用StreamingContext，我们可以通过创建一个指定主机名（e.g. localhost）和端口号（e.g. 9999）的DStream来接收从TCP端口源过来的数据。

// Create a DStream that will connect to hostname:port, like localhost:9999
val lines = ssc.socketTextStream("localhost", 9999)

        这个名为lines的DStream包含了所有从数字服务器接收到的流式数据。这个DStream中的每个record都是文本数据中的一行文本，之后我们想要将这些lines用空格符号拆分成一个一个的单词。

        ##读取端口数据有三个方法：socketTextStream、socketStream、rawSocketStream

// Split each line into words
val words = lines.flatMap(_.split(" ")) 

flatMap是一个一对多的DStream操作，它会创建一个新的DStream，源DStream中的一条record对应于目标record中的多条

record。在这种情况下，每一行会被拆成多个words，用来表征的是一个名为words的 DStream。

import org.apache.spark.streaming.StreamingContext._ // not necessary since Spark 1.3
// Count each word in each batch
val pairs = words.map(word => (word, 1))
val wordCounts = pairs.reduceByKey(_ + _)

// Print the first ten elements of each RDD generated in this DStream to the console
wordCounts.print()

        这个名为words的DStream通过map（一对一操作）进一步转换成一个包含（words,1）键值对的DStream，之后在每一批次数据中，这个键值对通过reduceByKey被转换成单词的频率，最后，wordCounts.print()打印在这一秒获取的数据中单词的频数。

        请注意，执行以上代码，Spark Streaming只是将它们设置为在启动时执行，并未真正开始执行。要想真正执行以上代码，我们需要在最后加上以下内容：

ssc.start()             // Start the computation
ssc.awaitTermination()  // Wait for the computation to terminate

        完整的代码可以在Spark Streaming的例子NetworkWordCount中找到。

------------------------------------------------

------------------------------------------------

        如果你已经下载安装好Spark，你可以如下所示来运行这个例子，首先你需要通过以下操作在服务器上运行一个Netcat来使其成为数据服务器：

$ nc -lk 9999

        之后，你可以在另一个控制台通过以下操作来运行这个例子：

$ ./bin/run-example streaming.NetworkWordCount localhost 9999

        至此，每一秒在运行Netcat的终端上打印的数据都会被计数和输出到屏幕上。运行效果如下：

5、读取端口数据有三个方法：socketTextStream、socketStream、rawSocketStream，以下分别讲解

A.socketTextStream（hostname,port,storageLevel） storageLevel默认为MEMORY_AND_DISK_SER_2,这和spark cache中的存储级别是不一样的，面试经常问到 底层调用socketStream

B.socketStream(...,...,...,...)   

C.rawSocketStream(hostname,port,storageLevel)  storageLevel默认为MEMORY_AND_DISK_SER_2,

三、基本概念

1、连接到Spark Streaming

        和Spark一样，Spark Streaming可以通过Maven中心仓库进行连接。为了书写你的Spark Streaming应用程序，你必须讲以下的依赖加入Maven工程中。

<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-streaming_2.11</artifactId>
    <version>2.3.0</version>
</dependency>

        为了从kafka、flume、kinesis这些数据源获取数据，我们必须添加相应的依赖。一些常用的依赖添加如下所示：

Source	Artifact
Kafka	spark-streaming-kafka-0-10_2.11
Flume	spark-streaming-flume_2.11
Kinesis	spark-streaming-kinesis-asl_2.11 [Amazon Software License]

        对于最新的数据源列表，请参考Maven repository。

2、初始化StreamingContext

        初始化一个Spark Streaming应用程序，一个StreamingContext对象必须被创建，这个StreamingContext是所有Spark Streaming函数的主入口点。

        一个StreamingContext对象可以由一个SparkConf对象创建。

import org.apache.spark._
import org.apache.spark.streaming._

val conf = new SparkConf().setAppName(appName).setMaster(master)
val ssc = new StreamingContext(conf, Seconds(1))

        appName参数设置的是你的应用程序展示在集群UI上的名字，master可以是Spark,Mesos,Yarn Cluster URL,或者local[*]，是其运行在本地模式下。在实践中，你最好不要在你的应用程序中硬编码一个master,而是在使用spark-submit提交应用程序时指定master。对于本地测试和单元测试，你可以使用local[*]，请注意，这个内部创建了一个SparkContext(所有Spark函数的入口点)，可以使用ssc.SparkContext来进行访问。

          必须根据应用程序的延迟需求和可用的集群资源来设置批处理间隔。更多的细节参考Performance Tuning。

        一个StreamingContext对象也可以由一个已经存在的SparkContext对象来创建。

import org.apache.spark.streaming._

val sc = ...                // existing SparkContext
val ssc = new StreamingContext(sc, Seconds(1))

        当一个Context被定义，你必须做以下的事情：

            a.通过定义输入DStream来创建输入源。

            b.通过在DStream上应用转换操作和输出操作来定义流计算。

            c.使用StreamContext.start()开始来接收数据和处理数据。

            d.使用StreamContext.awaitTermination()来等待计算完成（手动或者因错误终止）。

            e.可以StreamContext.stop()来手动停止计算（一般不会停止，流处理停它干嘛）。

        关键点：

            a.一旦一个StreamingContext被启动，就不能再设置或添加新的流计算。

            b.一旦一个StreamingContext被停止，就不能重新启动。

            c.同一时间内，在JVM内部只有一个StreamingContext处于活跃状态。

            d.默认情况下使用stop()方法停止StreamingContext的同时也会停止SparkContext，如果执行停止StreamingContext,可以将stop()的可选参数设置为false。

            e.SparkContext可以复用，即用来创建多个StreamingContext，只要在创建新的StreamingContext时，之前创建的StreamingContext是处于stop状态即可（SparkContext没有被停止）。