sparkStreaming的transformation和action詳解

根據Spark官方文檔中的描述，在Spark Streaming應用中，一個DStream對象可以調用多種操作，主要分為以下幾類

• Transformations
• Window Operations
• Join Operations
• Output Operations

一、Transformations

 

1、map(func)

　　map操作需要傳入一個函數當做參數，具體調用形式為

[]  純文本查看 復制代碼

?

1	val b = a.map(func)

　　主要作用是，對DStream對象a，將func函數作用到a中的每一個元素上並生成新的元素，得到的DStream對象b中包含這些新的元素。

　　下面示例代碼的作用是，在接收到的一行消息后面拼接一個”_NEW”字符串

[Scala]  純文本查看 復制代碼

?

1	val linesNew = lines.map(lines = > lines + "_NEW" )

　　程序運行結果如下：

<ignore_js_op>

　　注意與接下來的flatMap操作進行比較。

2、flatMap(func)

　　類似於上面的map操作，具體調用形式為

[Scala]  純文本查看 復制代碼

?

1	val b = a.flatMap(func)

　　主要作用是，對DStream對象a，將func函數作用到a中的每一個元素上並生成0個或多個新的元素，得到的DStream對象b中包含這些新的元素。

　　下面示例代碼的作用是，在接收到的一行消息lines后，將lines根據空格進行分割，分割成若干個單詞

[Scala]  純文本查看 復制代碼

?

1	val words = lines.flatMap( _ .split( " " ))

　　結果如下：

<ignore_js_op>

3、 filter(func)

　　filter傳入一個func函數，具體調用形式為

[Scala]  純文本查看 復制代碼

?

1	val b = a.filter(func)

　　對DStream a中的每一個元素，應用func方法進行計算，如果func函數返回結果為true，則保留該元素，否則丟棄該元素，返回一個新的DStream b。

　　下面示例代碼中，對words進行判斷，去除hello這個單詞。

結果如下：

<ignore_js_op>

4、union(otherStream)

　　這個操作將兩個DStream進行合並，生成一個包含着兩個DStream中所有元素的新DStream對象。

　　下面代碼，首先將輸入的每一個單詞后面分別拼接“_one”和“_two”，最后將這兩個DStream合並成一個新的DStream

[Scala]  純文本查看 復制代碼

?

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()

　　運行結果如下：

<ignore_js_op>

5、count()

　　統計DStream中每個RDD包含的元素的個數，得到一個新的DStream，這個DStream中只包含一個元素，這個元素是對應語句單詞統計數值。

　　以下代碼，統計每一行中的單詞數

[Scala]  純文本查看 復制代碼

?

1	val wordsCount = words.count()

運行結果如下，一行輸入4個單詞，打印的結果也為4。

<ignore_js_op>

6、reduce(func)

　　返回一個包含一個元素的DStream，傳入的func方法會作用在調用者的每一個元素上，將其中的元素順次的兩兩進行計算。

　　下面的代碼，將每一個單詞用 "-"符號進行拼接

[Scala]  純文本查看 復制代碼

?

1	val reduceWords = words.reduce( _ + "-" + _ )

運行結果如下：

<ignore_js_op>

7、countByValue()

　　某個DStream中的元素類型為K，調用這個方法后，返回的DStream的元素為(K, Long)對，后面這個Long值是原DStream中每個RDD元素key出現的頻率。

　　以下代碼統計words中不同單詞的個數

[Scala]  純文本查看 復制代碼

?

1	val countByValueWords = words.countByValue()

　　結果如下：

<ignore_js_op>

8、reduceByKey(func, [numTasks])

　　調用這個操作的DStream是以(K, V)的形式出現，返回一個新的元素格式為(K, V)的DStream。返回結果中，K為原來的K，V是由K經過傳入func計算得到的。還可以傳入一個並行計算的參數，在local模式下，默認為2。在其他模式下，默認值由參數 spark.default.parallelism確定。

　　下面代碼將words轉化成(word, 1)的形式，再以單詞為key，個數為value，進行word count。

[Scala]  純文本查看 復制代碼

?

1 2	val pairs = words.map(word = > (word , 1 )) val wordCounts = pairs.reduceByKey( _ + _ )

　　結果如下，

<ignore_js_op>

9、join(otherStream, [numTasks])

　　由一個DStream對象調用該方法，元素內容為 (k, V)，傳入另一個DStream對象，元素內容為(k, W)，返回的DStream中包含的內容是 (k, (V, W))。這個方法也可以傳入一個並行計算的參數，該參數與reduceByKey中是相同的。

　　下面代碼中，首先將words轉化成 (word, (word + "_one"))和 (word, (word + "_two"))的形式，再以word為key，將后面的value合並到一起。

[Scala]  純文本查看 復制代碼

?

1 2 3

val wordsOne = words.map(word = > (word , word + "_one" )) val wordsTwo = words.map(word = > (word , word + "_two" )) val joinWords = wordsOne.join(wordsTwo)

　　運行結果如下：

<ignore_js_op>

10、cogroup(otherStream, [numTasks])

　　由一個DStream對象調用該方法，元素內容為(k, V)，傳入另一個DStream對象，元素內容為(k, W)，返回的DStream中包含的內容是 (k, (Seq[V], Seq[W]))。這個方法也可以傳入一個並行計算的參數，該參數與reduceByKey中是相同的。

　　下面代碼首先將words轉化成 (word, (word + "_one"))和 (word, (word + "_two"))的形式，再以word為key，將后面的value合並到一起。

　　結果如下：

<ignore_js_op>

11、transform(func)

 

12、updateStateByKey(func)

 

二、Window Operations

　　我覺得用一個成語，管中窺豹，基本上就能夠很形象的解釋什么是窗口函數了。DStream數據流就是那只豹子，窗口就是那個管，以一個固定的速率平移，就能夠每次看到豹的一部分。

　　窗口函數，就是在DStream流上，以一個可配置的長度為窗口，以一個可配置的速率向前移動窗口，根據窗口函數的具體內容，分別對當前窗口中的這一波數據采取某個對應的操作算子。需要注意的是窗口長度，和窗口移動速率需要是batch time的整數倍。接下來演示Spark Streaming中提供的主要窗口函數。

1、window(windowLength, slideInterval)

　　該操作由一個DStream對象調用，傳入一個窗口長度參數，一個窗口移動速率參數，然后將當前時刻當前長度窗口中的元素取出形成一個新的DStream。

　　下面的代碼以長度為3，移動速率為1截取源DStream中的元素形成新的DStream。

[Scala]  純文本查看 復制代碼

?

1	val windowWords = words.window(Seconds( 3 ), Seconds( 1 ))

　　運行結果如下：

<ignore_js_op>

　　基本上每秒輸入一個字母，然后取出當前時刻3秒這個長度中的所有元素，打印出來。從上面的截圖中可以看到，下一秒時已經看不到a了，再下一秒，已經看不到b和c了。表示a, b, c已經不在當前的窗口中。

2、 countByWindow(windowLength,slideInterval)

　　返回指定長度窗口中的元素個數。

　　代碼如下，統計當前3秒長度的時間窗口的DStream中元素的個數：

[Scala]  純文本查看 復制代碼

?

1	val windowWords = words.countByWindow(Seconds( 3 ), Seconds( 1 ))

　　結果如下：

<ignore_js_op>

3、 reduceByWindow(func, windowLength,slideInterval)

　　類似於上面的reduce操作，只不過這里不再是對整個調用DStream進行reduce操作，而是在調用DStream上首先取窗口函數的元素形成新的DStream，然后在窗口元素形成的DStream上進行reduce。

　　代碼如下：

[Scala]  純文本查看 復制代碼

?

1	val windowWords = words.reduceByWindow( _ + "-" + _ , Seconds( 3 ) , Seconds( 1 ))

　　結果如下：

<ignore_js_op>

4、 reduceByKeyAndWindow(func,windowLength, slideInterval, [numTasks])

　　調用該操作的DStream中的元素格式為(k, v)，整個操作類似於前面的reduceByKey，只不過對應的數據源不同，reduceByKeyAndWindow的數據源是基於該DStream的窗口長度中的所有數據。該操作也有一個可選的並發數參數。

　　下面代碼中，將當前長度為3的時間窗口中的所有數據元素根據key進行合並，統計當前3秒中內不同單詞出現的次數。

[Scala]  純文本查看 復制代碼

?

1	val windowWords = pairs.reduceByKeyAndWindow((a : Int , b : Int) = > (a + b) , Seconds( 3 ) , Seconds( 1 ))

　　結果如下：

<ignore_js_op>

5、 reduceByKeyAndWindow(func, invFunc,windowLength, slideInterval, [numTasks])

　　這個窗口操作和上一個的區別是多傳入一個函數invFunc。前面的func作用和上一個reduceByKeyAndWindow相同，后面的invFunc是用於處理流出rdd的。

　　在下面這個例子中，如果把3秒的時間窗口當成一個池塘，池塘每一秒都會有魚游進或者游出，那么第一個函數表示每由進來一條魚，就在該類魚的數量上累加。而第二個函數是，每由出去一條魚，就將該魚的總數減去一。

[Scala]  純文本查看 復制代碼

?

1	val windowWords = pairs.reduceByKeyAndWindow((a : Int, b : Int ) = > (a + b) , (a : Int, b : Int) = > (a - b) , Seconds( 3 ), Seconds( 1 ))

　　下面是演示結果，最終的結果是該3秒長度的窗口中歷史上出現過的所有不同單詞個數都為0。

<ignore_js_op>

　　一段時間不輸入任何信息，看一下最終結果

<ignore_js_op>

6、 countByValueAndWindow(windowLength,slideInterval, [numTasks])

　　類似於前面的countByValue操作，調用該操作的DStream數據格式為(K, v)，返回的DStream格式為(K, Long)。統計當前時間窗口中元素值相同的元素的個數。

　　代碼如下

[Scala]  純文本查看 復制代碼

?

1	val windowWords = words.countByValueAndWindow(Seconds( 3 ), Seconds( 1 ))[/align]

　　結果如下

<ignore_js_op>

三、Join Operations

　　Join主要可分為兩種，

1、DStream對象之間的Join

　　這種join一般應用於窗口函數形成的DStream對象之間，具體可以參考第一部分中的join操作，除了簡單的join之外，還有leftOuterJoin, rightOuterJoin和fullOuterJoin。

2、DStream和dataset之間的join

　　這一種join，可以參考前面transform操作中的示例。

四、Output Operations

　　在Spark Streaming中，DStream的輸出操作才是DStream上所有transformations的真正觸發計算點，這個類似於RDD中的action操作。經過輸出操作DStream中的數據才能與外部進行交互，比如將數據寫入文件系統、數據庫，或其他應用中。　　 
　　

1、print()

　　print操作會將DStream每一個batch中的前10個元素在driver節點打印出來。

　　看下面這個示例，一行輸入超過10個單詞，然后將這行語句分割成單個單詞的DStream。

[Scala]  純文本查看 復制代碼

?

1 2	val words = lines.flatMap( _ .split( " " )) words.print()

　　看看print后的效果。

<ignore_js_op>

2、saveAsTextFiles(prefix, [suffix])

　　這個操作可以將DStream中的內容保存為text文件，每個batch的數據單獨保存為一個文夾，文件夾名前綴參數必須傳入，文件夾名后綴參數可選，最終文件夾名稱的完整形式為 prefix-TIME_IN_MS[.suffix]

　　比如下面這一行代碼

[Scala]  純文本查看 復制代碼

?

1	lines.saveAsTextFiles( "satf" , ".txt" )[/align][align = left]

　　看一下執行結果，在當前項目路徑下，每秒鍾生成一個文件夾，打開的兩個窗口中的內容分別是nc窗口中的輸入。

<ignore_js_op>

　　另外，如果前綴中包含文件完整路徑，則該text文件夾會建在指定路徑下，如下圖所示

<ignore_js_op>

3、saveAsObjectFiles(prefix, [suffix])

　　這個操作和前面一個類似，只不過這里將DStream中的內容保存為SequenceFile文件類型，這個文件中保存的數據都是經過序列化后的Java對象。 
　　實驗略過，可參考前面一個操作。 
　　

4、saveAsHadoopFiles(prefix, [suffix])

　　這個操作和前兩個類似，將DStream每一batch中的內容保存到HDFS上，同樣可以指定文件的前綴和后綴。 
　　

5、foreachRDD(func)