[DB] Spark Streaming

概述

• 流式计算框架，类似Storm
• 严格来说不是真正的流式计算（实时计算），而是把连续的数据当做不连续的RDD处理，本质是离散计算
• Flink：和 Spark Streaming 相反，把离散数据当成流式数据处理

基础

• 易用，已经集成在Spark中
• 容错性，底层也是RDD
• 支持Java、Scala、Python

WordCount

• nc -l -p 1234
• bin/run-example streaming.NetworkWordCount localhost 1234
• cpu核心数必须>1，不记录之前的状态

 1 import org.apache.spark.SparkConf
 2 import org.apache.spark.storage.StorageLevel
 3 import org.apache.spark.streaming.{Seconds, StreamingContext}
 4
 5 // 创建一个StreamingContext，创建一个DSteam(离散流)
 6 // DStream表现形式：RDD
 7 // 使用DStream把连续的数据流变成不连续的RDD
 8 object MyNetworkWordCount {
 9   def main(args: Array[String]): Unit = {
10     // 创建一个StreamingContext对象，以local模式为例
11     // 保证CPU核心>=2，setMaster("[2]")，开启两个线程
12     val conf = new SparkConf().setAppName("MyNetworkWordCount").setMaster("local[2]")
13
14     // 两个参数：1.conf 和 2.采样时间间隔：每隔3s
15     val ssc = new StreamingContext(conf,Seconds(3))
16
17     // 创建DStream，从netcat服务器接收数据
18     val lines = ssc.socketTextStream("192.168.174.111",1234,StorageLevel .MEMORY_ONLY)
19
20     // 进行单词计数
21     val words = lines.flatMap(_.split(" "))
22
23     // 计数
24     val wordCount = words.map((_,1)).reduceByKey(_+_)
25
26     // 打印结果
27     wordCount.print()
28
29     // 启动StreamingContext，进行计算
30     ssc.start()
31
32     // 等待任务结束
33     ssc.awaitTermination()
34   }
35 }

高级特性

• 什么是DStream：离散流，把连续的数据流变成不连续的RDD

• transform
• updateStateByKey(func)：累加之前的结果，设置检查点，把之前的结果保存到检查点目录下
  • hdfs dfs -mkdir -p /day0614/ckpt
  • hdfs dfs -ls /day0614/ckpt

 1 import org.apache.spark.SparkConf
 2 import org.apache.spark.storage.StorageLevel
 3 import org.apache.spark.streaming.{Seconds, StreamingContext}
 4
 5 // 创建一个StreamingContext，创建一个DSteam(离散流)
 6 // DStream表现形式：RDD
 7 // 使用DStream把连续的数据流变成不连续的RDD
 8 object MyTotalNetworkWordCount {
 9   def main(args: Array[String]): Unit = {
10     // 创建一个StreamingContext对象，以local模式为例
11     // 保证CPU核心>=2，setMaster("[2]")，开启两个线程
12     val conf = new SparkConf().setAppName("MyNetworkWordCount").setMaster("local[2]")
13
14     // 两个参数：1.conf 和 2.采样时间间隔：每隔3s
15     val ssc = new StreamingContext(conf,Seconds(3))
16
17     // 设置检查点目录，保存之前状态
18     ssc.checkpoint("hdfs://192.168.174.111:9000/day0614/ckpt")
19
20     // 创建DStream，从netcat服务器接收数据
21     val lines = ssc.socketTextStream("192.168.174.111",1234,StorageLevel .MEMORY_ONLY)
22
23     // 进行单词计数
24     val words = lines.flatMap(_.split(" "))
25
26     // 计数
27     val wordPair = words.map(w => (w,1))
28
29     // 定义值函数
30     // 两个参数：1.当前的值 2.之前的结果
31     val addFunc = (curreValues:Seq[Int],previousValues:Option[Int])=>{
32       // 把当前序列进行累加
33       val currentTotal = curreValues.sum
34
35       // 在之前的值上再累加
36       // 如果之前没有值，返回0
37       Some(currentTotal + previousValues.getOrElse(0))
38     }
39
40     // 累加计算
41     val total = wordPair.updateStateByKey(addFunc)
42
43     total.print()
44
45     ssc.start()
46
47     ssc.awaitTermination()
48
49   }
50 }

• 窗口操作
  • 只统计在窗口中的数据
  • Exception in thread "main" java.lang.Exception: The slide duration of windowed DStream (10000 ms) must be a multiple of the slide duration of parent DStream (3000 ms)
  • 滑动距离必须是采样频率的整数倍

 1 package day0614
 2
 3 import org.apache.log4j.{Level, Logger}
 4 import org.apache.spark.SparkConf
 5 import org.apache.spark.storage.StorageLevel
 6 import org.apache.spark.streaming.{Seconds, StreamingContext}
 7
 8
 9 object MyNetworkWordCountByWindow {
10   def main(args: Array[String]): Unit = {
11     // 不打印日志
12     Logger.getLogger("org.apache.spark").setLevel(Level.ERROR)
13     Logger.getLogger("org.eclipse.jetty.server").setLevel(Level.OFF)
14     // 创建一个StreamingContext对象，以local模式为例
15     // 保证CPU核心>=2，setMaster("[2]")，开启两个线程
16     val conf = new SparkConf().setAppName("MyNetworkWordCount").setMaster("local[2]")
17
18     // 两个参数：1.conf 和 2.采样时间间隔：每隔3s
19     val ssc = new StreamingContext(conf,Seconds(3))
20
21     // 创建DStream，从netcat服务器接收数据
22     val lines = ssc.socketTextStream("192.168.174.111",1234,StorageLevel .MEMORY_ONLY)
23
24     // 进行单词计数
25     val words = lines.flatMap(_.split(" ")).map((_,1))
26
27     // 每9s,把过去30s的数据进行WordCount
28     // 参数：1.操作 2.窗口大小 3.窗口滑动距离
29     val result = words.reduceByKeyAndWindow((x:Int,y:Int)=>(x+y),Seconds(30),Seconds(9))
30
31     result.print()
32     ssc.start()
33     ssc.awaitTermination()
34   }
35 }

• 集成Spark SQL
  • 使用SQL语句分析流式数据

 1 package day0614
 2
 3 import org.apache.log4j.{Level, Logger}
 4 import org.apache.spark.SparkConf
 5 import org.apache.spark.sql.SparkSession
 6 import org.apache.spark.storage.StorageLevel
 7 import org.apache.spark.streaming.{Seconds, StreamingContext}
 8
 9 object MyNetworkWordCountWithSQL {
10   def main(args: Array[String]): Unit = {
11     Logger.getLogger("org.apache.spark").setLevel(Level.ERROR)
12     Logger.getLogger("org.eclipse.jetty.server").setLevel(Level.OFF)
13     // 创建一个StreamingContext对象，以local模式为例
14     // 保证CPU核心>=2，setMaster("[2]")，开启两个线程
15     val conf = new SparkConf().setAppName("MyNetworkWordCount").setMaster("local[2]")
16
17     // 两个参数：1.conf 和 2.采样时间间隔：每隔3s
18     val ssc = new StreamingContext(conf,Seconds(3))
19
20     // 创建DStream，从netcat服务器接收数据
21     val lines = ssc.socketTextStream("192.168.174.111",1234,StorageLevel .MEMORY_ONLY)
22
23     // 进行单词计数
24     val words = lines.flatMap(_.split(" "))
25
26     // 集成Spark SQL，使用SQL语句进行WordCount
27     words.foreachRDD(rdd=> {
28       // 创建SparkSession对象
29       val spark = SparkSession.builder().config(rdd.sparkContext.getConf).getOrCreate()
30
31       // 把rdd转成DataFrame
32       import spark.implicits._
33       val df1 = rdd.toDF("word") // 表df1:只有一个列"word"
34
35       // 创建视图
36       df1.createOrReplaceTempView("words")
37
38       // 执行SQL，通过SQL执行WordCount
39       spark.sql("select word,count(*) from words group by word").show
40     })
41
42     ssc.start()
43     ssc.awaitTermination()
44   }
45 }

数据源

• 基本数据源
  • 文件流

 1 import org.apache.log4j.{Level, Logger}
 2 import org.apache.spark.SparkConf
 3 import org.apache.spark.storage.StorageLevel
 4 import org.apache.spark.streaming.{Seconds, StreamingContext}
 5
 6 object FileStreaming {
 7   def main(args: Array[String]): Unit = {
 8     Logger.getLogger("org.apache.spark").setLevel(Level.ERROR)
 9     Logger.getLogger("org.eclipse.jetty.server").setLevel(Level.OFF)
10     // 创建一个StreamingContext对象，以local模式为例
11     // 保证CPU核心>=2，setMaster("[2]")，开启两个线程
12     val conf = new SparkConf().setAppName("MyNetworkWordCount").setMaster("local[2]")
13
14     // 两个参数：1.conf 和 2.采样时间间隔：每隔3s
15     val ssc = new StreamingContext(conf,Seconds(3))
16
17     // 直接监控本地的某个目录，如果有新的文件产生，就读取进来
18     val lines = ssc.textFileStream("F:\\idea-workspace\\temp")
19
20     lines.print()
21     ssc.start()
22     ssc.awaitTermination()
23   }
24 }

• • RDD队列流

 1 import org.apache.log4j.{Level, Logger}
 2 import org.apache.spark.SparkConf
 3 import org.apache.spark.rdd.RDD
 4 import org.apache.spark.storage.StorageLevel
 5 import org.apache.spark.streaming.{Seconds, StreamingContext}
 6 import scala.collection.mutable.Queue
 7
 8 object RDDQueueStream {
 9   def main(args: Array[String]): Unit = {
10     Logger.getLogger("org.apache.spark").setLevel(Level.ERROR)
11     Logger.getLogger("org.eclipse.jetty.server").setLevel(Level.OFF)
12     // 创建一个StreamingContext对象，以local模式为例
13     // 保证CPU核心>=2，setMaster("[2]")，开启两个线程
14     val conf = new SparkConf().setAppName("MyNetworkWordCount").setMaster("local[2]")
15
16     // 两个参数：1.conf 和 2.采样时间间隔：每隔1s
17     val ssc = new StreamingContext(conf,Seconds(1))
18
19     // 创建队列，作为数据源
20     val rddQueue = new Queue[RDD[Int]]()
21     for(i<-1 to 3){
22       rddQueue += ssc.sparkContext.makeRDD(1 to 10)
23       // 睡1s
24       Thread.sleep(1000)
25     }
26
27     // 从队列中接收数据，创建DStream
28     val inputDStream = ssc.queueStream(rddQueue)
29
30     // 处理数据
31     val result = inputDStream.map(x=>(x,x*2))
32     result.print()
33
34     ssc.start()
35     ssc.awaitTermination()
36   }
37 }

• • 套接字流（socketTextStream）
• 高级数据源
  • Flume
    • 基于Flume的Push模式
      • 依赖jar包：Flume的lib目录，spark-streaming-flume_2.10-2.1.0
      • 启动Flume：bin/flume-ng agent -n a4 -f myagent/a4.conf -c conf Dflume.root.logger=INFO,console

 1 import org.apache.log4j.Logger
 2 import org.apache.log4j.Level
 3 import org.apache.spark.SparkConf
 4 import org.apache.spark.streaming.StreamingContext
 5 import org.apache.spark.streaming.Seconds
 6 import org.apache.spark.streaming.flume.FlumeUtils
 7
 8 object MyFlumeStreaming {
 9   def main(args: Array[String]): Unit = {
10     Logger.getLogger("org.apache.spark").setLevel(Level.ERROR)
11     Logger.getLogger("org.eclipse.jetty.server").setLevel(Level.OFF)
12
13     val conf = new SparkConf().setAppName("MyFlumeStreaming").setMaster("local[2]")
14
15     val ssc = new StreamingContext(conf,Seconds(3))
16
17     //创建 flume event 从 flume中接收push来的数据 ---> 也是DStream
18     //flume将数据push到了 ip 和 端口中
19     val flumeEventDstream = FlumeUtils.createStream(ssc, "192.168.174.1", 1234)
20
21     val lineDStream = flumeEventDstream.map( e => {
22       new String(e.event.getBody.array)
23     })
24
25     lineDStream.print()
26
27     ssc.start()
28     ssc.awaitTermination()
29   }
30 }

• • • 基于Customer Sink的Pull模式（）
      • /logs-->source-->sink-->程序从sink中pull数据-->打印
      • 需要定义sink组件
      • 把spark的jar包拷贝到Flume下：cp *.jar ~/training/apache-flume-1.7.0-bin/
      • 把spark-streaming-flume-sink_2.10-2.1.0.jar放到Flume/lib下
      • 清空training/logs：rm -rf *

 1 package day0615
 2
 3 import org.apache.log4j.{Level, Logger}
 4 import org.apache.spark.SparkConf
 5 import org.apache.spark.storage.StorageLevel
 6 import org.apache.spark.streaming.{Seconds, StreamingContext}
 7 import org.apache.spark.streaming.flume.FlumeUtils
 8
 9 object MyFlumePullStreaming {
10   def main(args: Array[String]): Unit = {
11     Logger.getLogger("org.apache.spark").setLevel(Level.ERROR)
12     Logger.getLogger("org.eclipse.jetty.server").setLevel(Level.OFF)
13
14     val conf = new SparkConf().setAppName("MyFlumeStreaming").setMaster("local[2]")
15
16     val ssc = new StreamingContext(conf, Seconds(3))
17
18     // 创建 DStream，从Flume中接收事件(Event)，采用Pull方式
19     val flumeEventStream =  FlumeUtils.createPollingStream(ssc,"192.168.174.111",1234,StorageLevel.MEMORY_ONLY)
20
21     // 从Event事件中接收字符串
22     val stringDStream = flumeEventStream.map(e =>{
23       new String(e.event.getBody.array())
24     })
25
26     stringDStream.print()
27
28     ssc.start()
29     ssc.awaitTermination()
30   }
31 }

• • Kafka
  • 基于Receiver：接收到的数据保存在Spark executors中，然后由Spark Streaming启动Job来处理数据
    • 启动Kafka服务：bin/kafka-server-start.sh config/server.properties &
    • 启动Kafka生产者：bin/kafka-console-producer.sh --broker-list bigdata111:9092 --topic mydemo1
    • 在IDEA中启动任务，接收Kafka消息

 1 import org.apache.log4j.{Level, Logger}
 2 import org.apache.spark.SparkConf
 3 import org.apache.spark.streaming.kafka.KafkaUtils
 4 import org.apache.spark.streaming.{Seconds, StreamingContext}
 5
 6 object KafkaReceiveDemo {
 7   def main(args: Array[String]): Unit = {
 8     Logger.getLogger("org.apache.spark").setLevel(Level.ERROR)
 9     Logger.getLogger("org.eclipse.jetty.server").setLevel(Level.OFF)
10
11     val conf = new SparkConf().setAppName("SparkKafkaReciever").setMaster("local[2]")
12     val ssc = new StreamingContext(conf, Seconds(10))
13
14     // 从mydemo1中每次获取一条数据
15     val topics = Map("mydemo1" -> 1)
16     // 从Kafka接收数据
17     // ssc是Spark Streaming Context
18     // 192.168.174.111:2181是ZK地址
19     // MyGroup：Kafka的消费者组，同一个组的消费者只能消费一次消息
20     // topics：Kafka的Toipc(频道)
21     val kafkaDStream = KafkaUtils.createStream(ssc, "192.168.174.111:2181", "MyGroup", topics)
22
23     val stringDStream = kafkaDStream.map(e => {
24       new String(e.toString())
25     })
26
27     stringDStream.print()
28
29     ssc.start()
30     ssc.awaitTermination()
31   }
32 }

• • • 直接读取：定期从Kafka的topic+partition中查询最新的偏移量，再根据定义的偏移量范围在每个batch里处理数据
      • 效率更高

 1 import kafka.serializer.StringDecoder
 2 import org.apache.log4j.{Level, Logger}
 3 import org.apache.spark.SparkConf
 4 import org.apache.spark.streaming.kafka.KafkaUtils
 5 import org.apache.spark.streaming.{Seconds, StreamingContext}
 6
 7 object KafkaDirectDemo {
 8   def main(args: Array[String]): Unit = {
 9     Logger.getLogger("org.apache.spark").setLevel(Level.ERROR)
10     Logger.getLogger("org.eclipse.jetty.server").setLevel(Level.OFF)
11
12     val conf = new SparkConf().setAppName("SparkKafkaReciever").setMaster("local[2]")
13     val ssc = new StreamingContext(conf, Seconds(3))
14
15     // 参数
16     val topics = Set("mydemo1")
17     // broker地址
18     val kafkaParam = Map[String,String]("metadata.broker.list"->"192.168.174.111:9092")
19
20     // 从Kafka的Broker中直接读取数据
21     // StringDecoder：字符串解码器
22     val kafkaDirectStream = KafkaUtils.createDirectStream[String,String,StringDecoder,StringDecoder](ssc,kafkaParam,topics)
23
24     // 处理数据
25     val StringDStream = kafkaDirectStream.map(e=>{
26       new String(e.toString())
27     })
28
29     StringDStream.print()
30
31     ssc.start()
32     ssc.awaitTermination()
33   }
34 }

参考

IDEA Maven scala

https://www.jianshu.com/p/ecc6eb298b8f

kafka分区

https://www.cnblogs.com/qmfsun/p/10951282.html

与kafka整合

https://blog.csdn.net/drl_blogs/article/details/94721434

https://www.cnblogs.com/bonelee/p/7435506.html

http://spark.apache.org/docs/latest/streaming-kafka-0-10-integration.html

https://www.jianshu.com/p/667e0f58b7b9