根据Spark官方文档中的描述，在Spark Streaming应用中，一个DStream对象可以调用多种操作，主要分为以下几类
- Transformations
- Window Operations
- Join Operations
- Output Operations
一、Transformations
1、map(func)
2、flatMap(func)
map操作需要传入一个函数当做参数，具体调用形式为
[]
纯文本查看 复制代码
|
1
|
val
b
=
a.map(func)
|
主要作用是，对DStream对象a，将func函数作用到a中的每一个元素上并生成新的元素，得到的DStream对象b中包含这些新的元素。
下面示例代码的作用是，在接收到的一行消息后面拼接一个”_NEW”字符串
[Scala]
纯文本查看 复制代码
|
1
|
val
linesNew
=
lines.map(lines
=
> lines +
"_NEW"
)
|
程序运行结果如下：
<ignore_js_op>
注意与接下来的flatMap操作进行比较。
2、flatMap(func)
类似于上面的map操作，具体调用形式为
[Scala]
纯文本查看 复制代码
|
1
|
val
b
=
a.flatMap(func)
|
主要作用是，对DStream对象a，将func函数作用到a中的每一个元素上并生成0个或多个新的元素，得到的DStream对象b中包含这些新的元素。
下面示例代码的作用是，在接收到的一行消息lines后，将lines根据空格进行分割，分割成若干个单词
[Scala]
纯文本查看 复制代码
|
1
|
val
words
=
lines.flatMap(
_
.split(
" "
))
|
结果如下：
<ignore_js_op>
3、 filter(func)
filter传入一个func函数，具体调用形式为
[Scala]
纯文本查看 复制代码
|
1
|
val
b
=
a.filter(func)
|
对DStream a中的每一个元素，应用func方法进行计算，如果func函数返回结果为true，则保留该元素，否则丢弃该元素，返回一个新的DStream b。
下面示例代码中，对words进行判断，去除hello这个单词。
结果如下：
<ignore_js_op>
4、union(otherStream)
这个操作将两个DStream进行合并，生成一个包含着两个DStream中所有元素的新DStream对象。
下面代码，首先将输入的每一个单词后面分别拼接“_one”和“_two”，最后将这两个DStream合并成一个新的DStream
[Scala]
纯文本查看 复制代码
|
1
2
3
4
5
6
7
|
val
wordsOne
=
words.map(
_
+
"_one"
)
val
wordsTwo
=
words.map(
_
+
"_two"
)
val
unionWords
=
wordsOne.union(wordsTwo)
wordsOne.print()
wordsTwo.print()
unionWords.print()
|
运行结果如下：
<ignore_js_op>
5、count()
统计DStream中每个RDD包含的元素的个数，得到一个新的DStream，这个DStream中只包含一个元素，这个元素是对应语句单词统计数值。
以下代码，统计每一行中的单词数
[Scala]
纯文本查看 复制代码
|
1
|
val
wordsCount
=
words.count()
|
运行结果如下，一行输入4个单词，打印的结果也为4。
<ignore_js_op>
6、reduce(func)
返回一个包含一个元素的DStream，传入的func方法会作用在调用者的每一个元素上，将其中的元素顺次的两两进行计算。
下面的代码，将每一个单词用 "-"符号进行拼接
[Scala]
纯文本查看 复制代码
|
1
|
val
reduceWords
=
words.reduce(
_
+
"-"
+
_
)
|
运行结果如下：
<ignore_js_op>
7、countByValue()
某个DStream中的元素类型为K，调用这个方法后，返回的DStream的元素为(K, Long)对，后面这个Long值是原DStream中每个RDD元素key出现的频率。
以下代码统计words中不同单词的个数
[Scala]
纯文本查看 复制代码
|
1
|
val
countByValueWords
=
words.countByValue()
|
结果如下：
<ignore_js_op>
8、reduceByKey(func, [numTasks])
调用这个操作的DStream是以(K, V)的形式出现，返回一个新的元素格式为(K, V)的DStream。返回结果中，K为原来的K，V是由K经过传入func计算得到的。还可以传入一个并行计算的参数，在local模式下，默认为2。在其他模式下，默认值由参数
spark.default.parallelism确定。
下面代码将words转化成(word, 1)的形式，再以单词为key，个数为value，进行word count。
[Scala]
纯文本查看 复制代码
|
1
2
|
val
pairs
=
words.map(word
=
> (word ,
1
))
val
wordCounts
=
pairs.reduceByKey(
_
+
_
)
|
结果如下，
<ignore_js_op>
9、join(otherStream, [numTasks])
由一个DStream对象调用该方法，元素内容为
(k, V)，传入另一个DStream对象，元素内容为(k, W)，返回的DStream中包含的内容是
(k, (V, W))。这个方法也可以传入一个并行计算的参数，该参数与reduceByKey中是相同的。
下面代码中，首先将words转化成 (word, (word + "_one"))和 (word, (word + "_two"))的形式，再以word为key，将后面的value合并到一起。
[Scala]
纯文本查看 复制代码
|
1
2
3
|
val
wordsOne
=
words.map(word
=
> (word , word +
"_one"
))
val
wordsTwo
=
words.map(word
=
> (word , word +
"_two"
))
val
joinWords
=
wordsOne.join(wordsTwo)
|
运行结果如下：
<ignore_js_op>
10、cogroup(otherStream, [numTasks])
由一个DStream对象调用该方法，元素内容为(k, V)，传入另一个DStream对象，元素内容为(k, W)，返回的DStream中包含的内容是
(k, (Seq[V], Seq[W]))。这个方法也可以传入一个并行计算的参数，该参数与reduceByKey中是相同的。
下面代码首先将words转化成 (word, (word + "_one"))和 (word, (word + "_two"))的形式，再以word为key，将后面的value合并到一起。
结果如下：
<ignore_js_op>
11、transform(func)
12、updateStateByKey(func)
二、Window Operations
我觉得用一个成语，管中窥豹，基本上就能够很形象的解释什么是窗口函数了。DStream数据流就是那只豹子，窗口就是那个管，以一个固定的速率平移，就能够每次看到豹的一部分。
窗口函数，就是在DStream流上，以一个可配置的长度为窗口，以一个可配置的速率向前移动窗口，根据窗口函数的具体内容，分别对当前窗口中的这一波数据采取某个对应的操作算子。需要注意的是窗口长度，和窗口移动速率需要是batch time的整数倍。接下来演示Spark Streaming中提供的主要窗口函数。
1、window(windowLength, slideInterval)
该操作由一个DStream对象调用，传入一个窗口长度参数，一个窗口移动速率参数，然后将当前时刻当前长度窗口中的元素取出形成一个新的DStream。
下面的代码以长度为3，移动速率为1截取源DStream中的元素形成新的DStream。
[Scala]
纯文本查看 复制代码
|
1
|
val
windowWords
=
words.window(Seconds(
3
), Seconds(
1
))
|
运行结果如下：
<ignore_js_op>
基本上每秒输入一个字母，然后取出当前时刻3秒这个长度中的所有元素，打印出来。从上面的截图中可以看到，下一秒时已经看不到a了，再下一秒，已经看不到b和c了。表示a, b, c已经不在当前的窗口中。
2、 countByWindow(windowLength,slideInterval)
返回指定长度窗口中的元素个数。
代码如下，统计当前3秒长度的时间窗口的DStream中元素的个数：
[Scala]
纯文本查看 复制代码
|
1
|
val
windowWords
=
words.countByWindow(Seconds(
3
), Seconds(
1
))
|
结果如下：
<ignore_js_op>
3、 reduceByWindow(func, windowLength,slideInterval)
类似于上面的reduce操作，只不过这里不再是对整个调用DStream进行reduce操作，而是在调用DStream上首先取窗口函数的元素形成新的DStream，然后在窗口元素形成的DStream上进行reduce。
代码如下：
[Scala]
纯文本查看 复制代码
|
1
|
val
windowWords
=
words.reduceByWindow(
_
+
"-"
+
_
, Seconds(
3
) , Seconds(
1
))
|
结果如下：
<ignore_js_op>
4、 reduceByKeyAndWindow(func,windowLength, slideInterval, [numTasks])
调用该操作的DStream中的元素格式为(k, v)，整个操作类似于前面的reduceByKey，只不过对应的数据源不同，reduceByKeyAndWindow的数据源是基于该DStream的窗口长度中的所有数据。该操作也有一个可选的并发数参数。
下面代码中，将当前长度为3的时间窗口中的所有数据元素根据key进行合并，统计当前3秒中内不同单词出现的次数。
[Scala]
纯文本查看 复制代码
|
1
|
val
windowWords
=
pairs.reduceByKeyAndWindow((a
:
Int , b
:
Int)
=
> (a + b) , Seconds(
3
) , Seconds(
1
))
|
结果如下：
<ignore_js_op>
5、 reduceByKeyAndWindow(func, invFunc,windowLength, slideInterval, [numTasks])
这个窗口操作和上一个的区别是多传入一个函数invFunc。前面的func作用和上一个reduceByKeyAndWindow相同，后面的invFunc是用于处理流出rdd的。
在下面这个例子中，如果把3秒的时间窗口当成一个池塘，池塘每一秒都会有鱼游进或者游出，那么第一个函数表示每由进来一条鱼，就在该类鱼的数量上累加。而第二个函数是，每由出去一条鱼，就将该鱼的总数减去一。
[Scala]
纯文本查看 复制代码
|
1
|
val
windowWords
=
pairs.reduceByKeyAndWindow((a
:
Int, b
:
Int )
=
> (a + b) , (a
:
Int, b
:
Int)
=
> (a - b) , Seconds(
3
), Seconds(
1
))
|
下面是演示结果，最终的结果是该3秒长度的窗口中历史上出现过的所有不同单词个数都为0。
<ignore_js_op>
一段时间不输入任何信息，看一下最终结果
<ignore_js_op>
6、 countByValueAndWindow(windowLength,slideInterval, [numTasks])
类似于前面的countByValue操作，调用该操作的DStream数据格式为(K, v)，返回的DStream格式为(K, Long)。统计当前时间窗口中元素值相同的元素的个数。
代码如下
[Scala]
纯文本查看 复制代码
|
1
|
val
windowWords
=
words.countByValueAndWindow(Seconds(
3
), Seconds(
1
))[/align]
|
结果如下
<ignore_js_op>
三、Join Operations
Join主要可分为两种，
1、DStream对象之间的Join
这种join一般应用于窗口函数形成的DStream对象之间，具体可以参考第一部分中的join操作，除了简单的join之外，还有leftOuterJoin, rightOuterJoin和fullOuterJoin。
2、DStream和dataset之间的join
这一种join，可以参考前面transform操作中的示例。
四、Output Operations
在Spark Streaming中，DStream的输出操作才是DStream上所有transformations的真正触发计算点，这个类似于RDD中的action操作。经过输出操作DStream中的数据才能与外部进行交互，比如将数据写入文件系统、数据库，或其他应用中。
1、print()
print操作会将DStream每一个batch中的前10个元素在driver节点打印出来。
看下面这个示例，一行输入超过10个单词，然后将这行语句分割成单个单词的DStream。
[Scala]
纯文本查看 复制代码
|
1
2
|
val
words
=
lines.flatMap(
_
.split(
" "
))
words.print()
|
看看print后的效果。
<ignore_js_op>
2、saveAsTextFiles(prefix, [suffix])
这个操作可以将DStream中的内容保存为text文件，每个batch的数据单独保存为一个文夹，文件夹名前缀参数必须传入，文件夹名后缀参数可选，最终文件夹名称的完整形式为
prefix-TIME_IN_MS[.suffix]
比如下面这一行代码
[Scala]
纯文本查看 复制代码
|
1
|
lines.saveAsTextFiles(
"satf"
,
".txt"
)[/align][align
=
left]
|
看一下执行结果，在当前项目路径下，每秒钟生成一个文件夹，打开的两个窗口中的内容分别是nc窗口中的输入。
<ignore_js_op>
另外，如果前缀中包含文件完整路径，则该text文件夹会建在指定路径下，如下图所示
<ignore_js_op>
3、saveAsObjectFiles(prefix, [suffix])
这个操作和前面一个类似，只不过这里将DStream中的内容保存为SequenceFile文件类型，这个文件中保存的数据都是经过序列化后的Java对象。
实验略过，可参考前面一个操作。
4、saveAsHadoopFiles(prefix, [suffix])
实验略过，可参考前面一个操作。
这个操作和前两个类似，将DStream每一batch中的内容保存到HDFS上，同样可以指定文件的前缀和后缀。
5、foreachRDD(func)