废话不多说,直接上干货!!!
相关依赖

 <properties> <project.build.sourceEncoding>UTF8</project.build.sourceEncoding> <maven.compiler.source>1.8</maven.compiler.source> <maven.compiler.target>1.8</maven.compiler.target> <encoding>UTF-8</encoding> <scala.version>2.11.8</scala.version> <spark.version>2.3.2</spark.version> <hadoop.version>2.7.6</hadoop.version> <scala.compat.version>2.11</scala.compat.version> </properties> <dependencies> <dependency> <groupId>org.scala-lang</groupId> <artifactId>scala-library</artifactId> <version>${scala.version}</version> </dependency> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-core_2.11</artifactId> <version>${spark.version}</version> </dependency> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-sql_2.11</artifactId> <version>${spark.version}</version> </dependency> <!-- sparkStreaming --> <!-- https://mvnrepository.com/artifact/org.apache.spark/spark-streaming --> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-streaming_2.11</artifactId> <version>${spark.version}</version> </dependency> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-streaming-kafka-0-8_2.11</artifactId> <version>${spark.version}</version> </dependency> <!-- https://mvnrepository.com/artifact/org.scalikejdbc/scalikejdbc --> <dependency> <groupId>org.scalikejdbc</groupId> <artifactId>scalikejdbc_2.11</artifactId> <version>3.2.0</version> </dependency> <dependency> <groupId>org.apache.curator</groupId> <artifactId>curator-recipes</artifactId> <version>2.8.0</version> </dependency> <dependency> <groupId>junit</groupId> <artifactId>junit</artifactId> <version>4.12</version> <scope>compile</scope> </dependency> </dependencies>

(1)spark streaminging无状态计算的WordCount

编程架构

在某个节点上中启动nc -lk 9999,然后用作数据源。编写程序实现网络的wordcount。
代码实现

object NetWordCount { /** * 编程套路: * 1.获取编程入口,StreamingContext * 2.通过StreamingContext构建第一个DStream * 3.对DStream进行各种的transformation操作 * 4.对于数据结果进行output操作 * 5.提交sparkStreaming应用程序 */ def main(args: Array[String]): Unit = { //屏蔽日志 Logger.getLogger("org.apache.hadoop").setLevel(Level.ERROR) Logger.getLogger("org.apache.zookeeper").setLevel(Level.WARN) Logger.getLogger("org.apache.hive").setLevel(Level.WARN) //1.获取编程入口,StreamingContext val cOnf= new SparkConf().setMaster("local[2]") .setAppName("NetWordCount") //第二个参数,表示批处理时长 val ssc=new StreamingContext(conf,Seconds(2)) /** * 2.通过StreamingContext构建第一个DStream(通过网络去读数据) * 第一个参数:主机名 * 第二个参数:端口号 */ val ReceiverInputDStream: ReceiverInputDStream[String] = ssc.socketTextStream("test",9999) //3.对DStream进行各种的transformation操作 val wordDS: DStream[String] = ReceiverInputDStream.flatMap(msg => { msg.split("\\s+") }) val wordCountDS: DStream[(String, Int)] = wordDS.map(word=>(word,1)).reduceByKey(_+_) //4.对于数据结果进行output操作,这里是打印输出 wordCountDS.print() //5.提交sparkStreaming应用程序 ssc.start() ssc.awaitTermination() } }

使用nc -lk 9999在相应的节点上发出消息(每隔一个批处理时间发送一次),查看控制台打印:
batch1

batch2

结果发现:由于现在的操作时无状态的,所以每隔2s处理一次,但是每次的单词数不会统计,也就是说,只会统计当前批处理的单词,之前输入的则不会统计。


(2)spark streaminging有状态计算的WordCount

同样是wordCounte,这次要实现的效果是:到现在为止,统计过去时间段内的所有单词的个数。
代码

object UpdateStateBykeyWordCount { /** * 编程套路: * 1.获取编程入口,StreamingContext * 2.通过StreamingContext构建第一个DStream * 3.对DStream进行各种的transformation操作 * 4.对于数据结果进行output操作 * 5.提交sparkStreaming应用程序 */ def main(args: Array[String]): Unit = { //屏蔽日志 Logger.getLogger("org.apache.hadoop").setLevel(Level.ERROR) Logger.getLogger("org.apache.zookeeper").setLevel(Level.WARN) Logger.getLogger("org.apache.hive").setLevel(Level.WARN) //1.获取编程入口,StreamingContext val cOnf= new SparkConf().setMaster("local[2]") .setAppName("NetWordCount") //第二个参数,表示批处理时长 val ssc = new StreamingContext(conf, Seconds(2)) ssc.checkpoint("C:\\z_data\\checkPoint\\checkPoint_1") /** * 2.通过StreamingContext构建第一个DStream(通过网络去读数据) * 第一个参数:主机名 * 第二个参数:端口号 */ val ReceiverInputDStream: ReceiverInputDStream[String] = ssc.socketTextStream("test", 9999) //3.对DStream进行各种的transformation操作 val wordDS: DStream[(String,Int)] = ReceiverInputDStream.flatMap(msg => { msg.split("\\s+") }).map(word=>(word,1)) /** * updateStateByKey是状态更新函数, * updateFunc: (Seq[V], Option[S]) => Option[S] * (U,C)=>C * values:Seq[Int],state:Option[Int]==>Option[Int] * * @param values :新值 * @param state :状态值 * @return */ val updateDS: DStream[(String, Int)] = wordDS.updateStateByKey((values: Seq[Int], state: Option[Int]) => { Option(values.sum + state.getOrElse(0)) }) //4.对于数据结果进行output操作,这里是打印输出 updateDS.print() //5.提交sparkStreaming应用程序 ssc.start() ssc.awaitTermination() } }

使用 nc -kl 9999

观察控制台:
batch1

batch2

发现:两次批处理的结果,进行了聚合,也就是所谓的有状态的计算。
注意
ssc.checkpoint("C:\\z_data\\checkPoint\\checkPoint_1")
上面这句代码一定要加,他会将上一次的批处理计算的结果保存起来,如果不加:
错误:requirement failed: The checkpoint directory has not been set. Please set it by StreamingContext.checkpoint().


(2)spark streaminging的HA

   在上述的updateStateByKey代码中如果当前程序运行异常时,会丢失数据(重启之后,找不回原来计算的数据),因为编程入口StreamingContext在代码重新运行的时候,是重新生成的,为了使程序在异常退出的时候,在下次启动的时候,依然可以获得上一次的StreamingContext对象,保证计算数据不丢失,此时就需要将StreamingContext对象存储在持久化的系统中。也就是说需要制作StreamingContext对象的HA。
代码

object WC_DriverHA { def main(args: Array[String]): Unit = { //屏蔽日志 Logger.getLogger("org.apache.hadoop").setLevel(Level.ERROR) Logger.getLogger("org.apache.zookeeper").setLevel(Level.WARN) Logger.getLogger("org.apache.hive").setLevel(Level.WARN) /** * StreamingContext.getOrCreate() * 第一个参数:checkpointPath,和下面方法中的checkpointPath目录一致 * 第二个参数:creatingFunc: () => StreamingContext:用于创建StreamingContext对象 * 最终使用StreamingContext.getOrCreate()可以实现StreamingContext对象的HA,保证在程序重新运行的时候,之前状态仍然可以恢复 */ val ssc= StreamingContext.getActiveOrCreate("C:\\z_data\\checkPoint\\checkPoint_HA",functionToCreateContext) ssc.start() ssc.awaitTermination() } def functionToCreateContext():StreamingCOntext={ //1.获取编程入口,StreamingContext val cOnf= new SparkConf().setMaster("local[2]") .setAppName("NetWordCount") //第二个参数,表示批处理时长 val ssc = new StreamingContext(conf, Seconds(2)) ssc.checkpoint("C:\\z_data\\checkPoint\\checkPoint_HA") /** * 2.通过StreamingContext构建第一个DStream(通过网络去读数据) * 第一个参数:主机名 * 第二个参数:端口号 */ val ReceiverInputDStream: ReceiverInputDStream[String] = ssc.socketTextStream("test", 9999) //3.对DStream进行各种的transformation操作 val wordDS: DStream[(String,Int)] = ReceiverInputDStream.flatMap(msg => { msg.split("\\s+") }).map(word=>(word,1)) val updateDS: DStream[(String, Int)] = wordDS.updateStateByKey((values: Seq[Int], state: Option[Int]) => { Option(values.sum + state.getOrElse(0)) }) //4.对于数据结果进行output操作,这里是打印输出 updateDS.print() //5.提交sparkStreaming应用程序 ssc.start() ssc.awaitTermination() ssc } }

测试
   - 先正常运行一段时间,计算出结果
   - 停止程序
   - 再次启动
   - 验证再次启动的程序,是否能够拿回停止前计算得到的结果
原理
  如果是第一次执行,那么在在这个checkpointDriectory目录中是不存在streamingContext对象的,所以要创建,第二次运行的时候,就不会在创建,则是从checkpointDriectory目录中读取进行恢复。
注意
  正常情况下,使用这种方式的HA,只能持久状态数据到持久化的文件中,默认情况是不会持久化StreamingContext对象到CheckPointDriectory中的。


(3)对checkpoint的总结:

 1)checkpoint的介绍:

  从故障中恢复checkpoint中有两种类型
   - Metadata checkpointing:driver节点中的元数据信息
     - Configuration:用于创建流式应用程序的配置
     - DStream:定义streaming程序的DStream操作
     - Incomplete batches:批量的job排队但尚未完成。(程序上次运行到的位置)
   - Data checkpointing:将生成的RDD保存到可靠的存储
     - 计算之后生成的RDD
     - 在receiver接收到数据,转化的RDD

 2)checkpoint的启动时机:

   - 从运行应用程序的driver的故障中恢复-元数据,(driver的HA)
   - 使用有状态计算的时候启动checkPoint:updateStateByKey或者reduceByKeyAndWindow…

 3)checkpoint的配置:

   - 有状态计算的时候:
    ssc.checkpoint("C:\\z_data\\checkpoint")
   - driver的HA的时候:

ssc.checkpoint("C:\\z_data\\checkpoint") ssc =StreamingContext.getOrCreate("C:\\z_data\\checkpoint" ,functionToCreateContext)

(4)Spark Streaming 的 transform 操作

  在使用transform操作的时候介绍两个重要的概念:
  黑名单:如果允许的操作比不允许的操作多,那么将不允许的操作加入黑名单
  白名单:如果允许的操作比不允许的操作少,那么将允许的操作加入白名单
代码

object _1Streaming_tranform { def main(args: Array[String]): Unit = { //定义黑名单 val black_list=List("@","#","$","%") Logger.getLogger("org.apache.hadoop").setLevel(Level.ERROR) Logger.getLogger("org.apache.zookeeper").setLevel(Level.WARN) Logger.getLogger("org.apache.hive").setLevel(Level.WARN) //1.获取编程入口,StreamingContext val cOnf= new SparkConf().setMaster("local[2]").setAppName("_1Streaming_tranform") val ssc=new StreamingContext(conf,Seconds(2)) //2.从对应的网络端口读取数据 val inputDStream: ReceiverInputDStream[String] = ssc.socketTextStream("test",9999) //2.1将黑名单广播出去 val bc = ssc.sparkContext.broadcast(black_list) //2.2设置checkpoint ssc.checkpoint("C:\\z_data\\checkPoint\\checkPoint_1") //3业务处理 val wordDStream: DStream[String] = inputDStream.flatMap(_.split(" ")) //transform方法表示:从DStream拿出来一个RDD,经过transformsFunc计算之后,返回一个新的RDD val fileterdDStream: DStream[String] = wordDStream.transform(rdd=>{ //过滤掉黑名单中的数据 val blackList: List[String] = bc.value rdd.filter(word=>{ !blackList.contains(word) }) }) //3.2统计相应的单词数 val resultDStream = fileterdDStream.map(msg => (msg, 1)) .updateStateByKey((values: Seq[Int], stats: Option[Int]) => { Option(values.sum + stats.getOrElse(0)) }) //4打印output resultDStream.print() //5.开启streaming流 ssc.start() ssc.awaitTermination() } }

黑名单中的数据会被过滤:


(5)Spark Streaming 的 window 操作


注意
在做window操作时:
  - 窗口覆盖的数据流的时间长度,必须是批处理时间间隔的倍数
  - 前一个窗口到后一个窗口所经过的时间长度,必须是批处理时间间隔的倍数。
伪代码

 //1.获取编程入口,StreamingContext val cOnf= new SparkConf().setMaster("local[2]").setAppName("WordCount_Window") val ssc=new StreamingContext(conf,Seconds(batchInvail.toLong)) //2.从对应的网络端口读取数据 val inputDStream: ReceiverInputDStream[String] = ssc.socketTextStream(hostname,port.toInt) val lineDStream: DStream[String] = inputDStream.flatMap(_.split(" ")) val wordDStream: DStream[(String, Int)] = lineDStream.map((_,1)) /** * 每隔4秒,算过去6秒的数据 * reduceFunc:数据合并的函数 * windowDuration:窗口的大小(过去6秒的数据) * slideDuration:窗口滑动的时间(每隔4秒) */ val resultDStream: DStream[(String, Int)] = wordDStream.reduceByKeyAndWindow((kv1:Int, kv2:Int)=>kv1+kv2, Seconds(batchInvail.toLong * 3), Seconds(batchInvail.toLong * 2)) resultDStream.print() ssc.start() ssc.awaitTermination()

(6)Spark Streaming 的ForeachRDD 操作

概念

  • foreach: 遍历一个分布式集合(rdd)中的每一个元素
  • foreachPartition:遍历一个分布式集合(rdd)中的每一个分区
  • foreachRDD:遍历一个分布式集合(DStream)中的每一个RDD
    这个算子用的好,通常程序的性能会提升很多。
    伪代码
    //这个方法表示遍历DStream中的每一个rdd windowDS.foreachRDD(rdd=>{ if(!rdd.isEmpty()){ rdd.mapPartitions(ptn=>{ if(!ptn.isEmpty){ ptn.foreach(msg=>{ //在这里做相应的操作 }) } }) } })