（1）StreamingContext

  与spark core的编程类似，在编写SparkStreaming的程序时，也需要一个通用的编程入口----StreamingContext。 StreamingContext的创建：

object StreamingContextTest { def main(args: Array[String]): Unit = { val sparkCOnf= new SparkConf().setAppName("SCTest").setMaster("local[4]") val streamingCOntext= new StreamingContext(sparkConf, Seconds(2)) } }

注意： 如果在计算的时候，指定--master时 使用的是local 并且只指定了一个线程，那么只有receiver线程工作，计算的线程不会工作，所以在指定线程数的时候，最少指定2个。

（2）通过输入源创建InputDStream：

在构建好StreamingContext之后，首先我们要读取数据源的数据进行实时处理：   InputDStreams指的是从数据流的源头接收的输入数据流，每个 InputDStream 都关联一个 Receiver 对象，该 Receiver 对象接收数据源传来的数据并将其保存在内存中以便后期 Spark 处理。   Spark Streaming 提供两种原生支持的流数据源和自定义的数据源：     - 直接通过 StreamingContext API 创建，例如文件系统（本地文件系统及分布式文件系统）、 Socket 连接及 Akka 的 Actor。     - Kafka, Flume, Kinesis, Twitter 等，需要借助外部工具类，在运行时需要外部依赖     -Spark Streaming 还支持用户自定义数据源，它需要用户定义 receiver 注意：   - 在本地运行 Spark Streaming 时，master URL 不能使用”local”或”local[1] ”，因为当 Input DStream 与 Receiver（如 sockets, Kafka, Flume 等）关联时，Receiver 自身就需要一个线程 来运行，此时便没有线程去处理接收到的数据。因此，在本地运行 SparkStreaming 程序时，要使用”local[n]”作为 master URL，n 要大于 receiver 的数量。   - 在集群上运行 Spark Streaming 时，分配给 Spark Streaming 程序的 CPU 核数也必须大于 receiver 的数量，否则系统将只接受数据，无法处理数据。

（3）对DStream进行transformation 和 output 操作，这样操作构成了后期流式计算的逻辑

（4）通过streamingContext.start()方法启动接收和处理数据的流程

（5）使用streamingContext.awaitTermination()方法等待程序结束（手动停止或出错停止）

（6）调用streamingContext.stop()方法来结束程序的运行。

在编写sparkStreaming时的注意点：   - streamingContext启动后，增加新的操作将不起作用，一定要在启动之前定义好逻辑，也就是说在调用start方法之后，在对sparkStreaming程序进行逻辑操作是不被允许的   - StreamingContext 是单例对象停止后，不能重新启动，除非重新启动任务，重新执行计算   - 在单个jvm中，一段时间内不能出现两个active状态的StreamingContext   - 当在调用 StreamingContext 的 stop 方法时，默认情况下 SparkContext 也将被 stop 掉， 如果希望 StreamingContext 关闭时，能够保留 SparkContext，则需要在 stop 方法中传入参 数 stop SparkCOntext=false   - 一个 SparkContext 可以用来创建多个 StreamingContext，只要前一个 StreamingContext 已经停止了。