Spark學習之路 （二十三）SparkStreaming的官方文檔

一、SparkCore、SparkSQL和SparkStreaming的類似之處

二、SparkStreaming的運行流程

2.1　圖解說明

 

2.2　文字解說

1、我們在集群中的其中一台機器上提交我們的Application Jar，然后就會產生一個Application，開啟一個Driver，然后初始化SparkStreaming的程序入口StreamingContext；

2、Master會為這個Application的運行分配資源，在集群中的一台或者多台Worker上面開啟Excuter，executer會向Driver注冊；

3、Driver服務器會發送多個receiver給開啟的excuter，（receiver是一個接收器，是用來接收消息的，在excuter里面運行的時候，其實就相當於一個task任務）

4、receiver接收到數據后，每隔200ms就生成一個block塊，就是一個rdd的分區，然后這些block塊就存儲在executer里面，block塊的存儲級別是Memory_And_Disk_2；

5、receiver產生了這些block塊后會把這些block塊的信息發送給StreamingContext；

6、StreamingContext接收到這些數據后，會根據一定的規則將這些產生的block塊定義成一個rdd；

三、SparkStreaming的3個組成部分

四、　離散流（DStream）

五、小栗子

5.1　簡單的單詞計數

Scala代碼

import org.apache.spark.streaming.dstream.{DStream, ReceiverInputDStream}
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.{SparkConf, SparkContext}

object NetWordCount {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName(this.getClass.getSimpleName).setMaster("local[2]")
    val sparkContext = new SparkContext(conf)
    val sc = new StreamingContext(sparkContext,Seconds(2))
    /**
      * 數據的輸入
      * */
    val inDStream: ReceiverInputDStream[String] = sc.socketTextStream("bigdata",9999)
    inDStream.print()
    /**
      * 數據的處理
      * */
    val resultDStream: DStream[(String, Int)] = inDStream.flatMap(_.split(",")).map((_,1)).reduceByKey(_+_)
    /**
      * 數據的輸出
      * */
    resultDStream.print()

    /**
      *啟動應用程序
      * */
    sc.start()
    sc.awaitTermination()
    sc.stop()
  }
}

在Linux上執行以下命令

運行結果

5.2　監控HDFS上的一個目錄

HDFS上的目錄需要先創建

Scala代碼

import org.apache.spark.SparkConf
import org.apache.spark.streaming.dstream.DStream
import org.apache.spark.streaming.{Seconds, StreamingContext}

object HDFSWordCount {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setMaster("local[2]").setAppName(this.getClass.getSimpleName)
    val sc = new StreamingContext(conf,Seconds(2))

    val inDStream: DStream[String] = sc.textFileStream("hdfs://hadoop1:9000/streaming")
    val resultDStream: DStream[(String, Int)] = inDStream.flatMap(_.split(",")).map((_,1)).reduceByKey(_+_)
    resultDStream.print()
    
    sc.start()
    sc.awaitTermination()
    sc.stop()
  }
}

Linux上的命令

student.txt

95002,劉晨,女,19,IS
95017,王風娟,女,18,IS
95018,王一,女,19,IS
95013,馮偉,男,21,CS
95014,王小麗,女,19,CS
95019,邢小麗,女,19,IS

運行結果，默認展示的10條

5.3　第二次運行的時候更新原先的結果

Scala代碼

import org.apache.spark.streaming.dstream.{DStream, ReceiverInputDStream}
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.streaming.{Seconds, StreamingContext}

object UpdateWordCount {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName(this.getClass.getSimpleName).setMaster("local[2]")
    System.setProperty("HADOOP_USER_NAME","hadoop")
    val sparkContext = new SparkContext(conf)

    val sc = new StreamingContext(sparkContext,Seconds(2))

    sc.checkpoint("hdfs://hadoop1:9000/streaming")
    val inDStream: ReceiverInputDStream[String] = sc.socketTextStream("hadoop1",9999)

    val resultDStream: DStream[(String, Int)] = inDStream.flatMap(_.split(","))
      .map((_, 1))
      .updateStateByKey((values: Seq[Int], state: Option[Int]) => {
        val currentCount: Int = values.sum
        val lastCount: Int = state.getOrElse(0)
        Some(currentCount + lastCount)
      })
    resultDStream.print()

    sc.start()
    sc.awaitTermination()
    sc.stop()
  }
}

Linux運行命令

運行結果

5.4　DriverHA

5.3的代碼一直運行，結果可以一直累加，但是代碼一旦停止運行，再次運行時，結果會不會接着上一次進行計算，上一次的計算結果丟失了，主要原因上每次程序運行都會初始化一個程序入口，而2次運行的程序入口不是同一個入口，所以會導致第一次計算的結果丟失，第一次的運算結果狀態保存在Driver里面，所以我們如果想用上一次的計算結果，我們需要將上一次的Driver里面的運行結果狀態取出來，而5.3里面的代碼有一個checkpoint方法，它會把上一次Driver里面的運算結果狀態保存在checkpoint的目錄里面，我們在第二次啟動程序時，從checkpoint里面取出上一次的運行結果狀態，把這次的Driver狀態恢復成和上一次Driver一樣的狀態