《Spark Streaming 有状态wordCount示例 (updateStateByKey的使用)》

本文介绍Spark Streaming中实现有状态WordCount的示例,通过Kafka接收数据并使用updateStateByKey更新单词计数,展示了实时数据处理流程。

Spark Streaming 有状态wordCount示例 (updateStateByKey的使用)

示例从一个wordcount开始,不同应用场景下的state是不同的,需要根据需求修改updateFunction。

数据接收自kafka topicA。从 Spark、hadoop、flink、hbase、kafka中随机抽取一个单词发送到 topicA

代码如下:

/**
 * Copyright(C) 2018 Hangzhou xianghu.wang Technology Co., Ltd. All rights reserved.
 */
package com.ccclubs.kafka;

import com.ccclubs.uitl.KafkaUtil;
import org.apache.kafka.clients.producer.KafkaProducer;
import org.apache.kafka.clients.producer.ProducerRecord;

/**
 * @author xianghu.wang
 * @date: 2018-12-18 15:22
 * @des:
 */
public class KafkaWordProducer {
    private static final String TOPIC = "topicA";

    public static void main(String[] args) throws InterruptedException {
        KafkaProducer producer = KafkaUtil.getKafkaProucer();
        String[] sources = {"spark", "hadoop", "flink", "hbase", "kafka"};

        int wordIndex;

        while (true) {
            wordIndex = (int) (Math.random() * sources.length);

            ProducerRecord record = new ProducerRecord(TOPIC, sources[wordIndex]);
            System.out.println(record.value());
            producer.send(record);
            Thread.sleep(1000);
        }
    }
}

Spark Streaming接收单词,统计单词个数,并打印在控制台。

package com.ccclubs.streaming

import org.apache.kafka.common.serialization.StringDeserializer
import org.apache.spark.SparkConf
import org.apache.spark.streaming.kafka010.ConsumerStrategies.Subscribe
import org.apache.spark.streaming.kafka010.KafkaUtils
import org.apache.spark.streaming.kafka010.LocationStrategies.PreferConsistent
import org.apache.spark.streaming.{Seconds, StreamingContext}

/**
  * @author xianghu.wang
  * @date: 2018-12-18 15:47 
  * @des: 有状态的wordcount
  */
object StreamingWordCount {
  def main(args: Array[String]): Unit = {
    // 创建StreamingContext
    val sparkConf = new SparkConf().setMaster("local[*]").setAppName("SparkStreamingDemo")
    val ssc = new StreamingContext(sparkConf, Seconds(1))

    // 配置检查点目录
    ssc.checkpoint("./checkpoint")

    // kafka参数
    val kafkaParams = Map[String, Object](
      "bootstrap.servers" -> "zc01:9092",
      "key.deserializer" -> classOf[StringDeserializer],
      "value.deserializer" -> classOf[StringDeserializer],
      "group.id" -> "SparkStreamingDemo",
      "auto.offset.reset" -> "latest"
    )

    // kafka主题
    val topics = Array("topicA")

    // 从kafka创建DStream
    val stream = KafkaUtils.createDirectStream[String, String](
      ssc,
      PreferConsistent,
      Subscribe[String, String](topics, kafkaParams)
    )

    // stream中的每一条记录都是一个ConsumerRecord,
    // public ConsumerRecord(topic: String, partition: Int, offset: Long, key: K, value: V)
    val kvs = stream.map(record => (record.value, 1))
    val count = kvs.updateStateByKey[Int](updateFunction _)

    // 打印在控制台
    count.print()

    // 开始
    ssc.start()
    ssc.awaitTermination()
  }

  /**
    *
    * @param newValues 新值序列,其类型对应键值对中的值类型(这里是Int)
    * @param oldCount 之前统计的值
    * @return
    */
  def updateFunction(newValues: Seq[Int], oldCount: Option[Int]): Option[Int] = {
    val newCount = newValues.sum
    val previousCount = oldCount.getOrElse(0)
    Some(newCount + previousCount)
  }
}

运行结果:

注:转载请注明 出处

### 回答1: 通过Spark Streaming实时计算WordCount程序,可以实现对实时数据流的实时处理和分析。具体步骤如下: 1. 创建Spark Streaming上下文,设置批处理时间间隔。 2. 从数据源中读取实时数据流,如Kafka、Flume、Socket等。 3. 对数据流进行处理,如过滤、转换等操作。 4. 对处理后的数据进行分析,如统计词频等。 5. 将分析结果输出到外部存储系统,如HDFS、MySQL等。 下面是一个简单的Spark Streaming实时计算WordCount程序示例: ```python from pyspark import SparkContext from pyspark.streaming import StreamingContext # 创建Spark Streaming上下文,设置批处理时间间隔为5秒 sc = SparkContext("local[2]", "WordCount") ssc = StreamingContext(sc, 5) # 从本地socket读取实时数据流 lines = ssc.socketTextStream("localhost", 9999) # 对数据流进行处理,按空格分割每行数据 words = lines.flatMap(lambda line: line.split(" ")) # 对处理后的数据进行分析,统计词频 wordCounts = words.map(lambda word: (word, 1)).reduceByKey(lambda x, y: x + y) # 输出分析结果到控制台 wordCounts.pprint() # 启动Spark Streaming应用程序 ssc.start() # 等待应用程序终止 ssc.awaitTermination() ``` 在运行该程序之前,需要先启动一个本地socket服务,监听9999端口,将实时数据流发送到该端口。可以使用以下命令启动socket服务: ```bash nc -lk 9999 ``` 然后在控制台输入一些文本,程序将实时计算词频并输出到控制台。 ### 回答2: Spark StreamingSpark生态系统中的一种实时数据处理框架,它可以实现以批处理方式处理数据流。Spark Streaming通过周期性地将实时数据流分割为批次,使得Spark可以基于批次进行处理。 这里我们来通过一个wordcount程序来介绍如何使用Spark Streaming进行实时计算。 首先,我们需要创建一个StreamingContext对象,指定数据处理批次的时间间隔。代码如下所示: ``` from pyspark.streaming import StreamingContext ssc = StreamingContext(sparkContext, 1) ``` 由于我们是基于Spark来处理数据流,因此还需要创建一个SparkContext对象。参数1指定每个批次的时间间隔为1秒。 接着,我们需要指定数据流的来源,这里我们使用一个TCP连接来模拟一个数据流输入源。代码如下: ``` lines = ssc.socketTextStream("localhost", 9999) ``` 以上代码表示从本地主机的9999端口获取数据输入流。 最后,我们需要应用数据转换操作和聚合操作来计算每个单词在数据流中出现的次数。代码如下所示: ``` words = lines.flatMap(lambda line: line.split(" ")) wordCounts = words.map(lambda word: (word, 1)).reduceByKey(lambda a, b: a + b) wordCounts.pprint() ``` 以上代码中,首先我们使用flatMap将每行数据分割成单词,然后使用map将每个单词转换成(word, 1)的键值对,最后使用reduceByKey进行聚合操作计算每个单词出现的次数。 最后,我们需要启动StreamingContext对象并让它开始处理数据流。代码如下所示: ``` ssc.start() ssc.awaitTermination() ``` 以上代码中,start()方法启动流处理程序,awaitTermination()方法阻塞当前线程,直到流处理程序被停止。 总之,Spark Streaming是一种非常强大的实时大数据处理框架,它可以应用于多种实时数据处理场合,而我们所介绍的基于Spark Streaming实时计算wordcount程序只是Spark Streaming的冰山一角,随着对Spark Streaming的深入学习和实践,我们可以掌握更多高级的数据处理技术,让我们的工作变得更加高效和便捷。 ### 回答3: Spark是一款高性能、分布式计算框架,适用于大规模数据处理。Spark Streaming则是其扩展库之一,使得Spark能够实现实时计算。它是一个小批量处理引擎,将数据分解成一系列的离散流来进行处理,能够完成一些实时计算任务,比如实时计算wordcount程序。 在Spark Streaming中,流数据以DStream(即离散化数据流)的形式表示,可以与RDD相似地进行操作。通过实时获取数据源(如kafka、Flume、Twitter、Socket等),Spark Streaming可以将数据流转换为DStream,然后进行批量计算,最终将结果输出到外部存储器或控制台。因此,我们可以利用Spark Streaming的API编写一个wordcount程序。 首先,我们需要创建一个StreamingContext对象,指定批处理时间间隔,例如2秒。接着,我们可以创建一个DStream对象,使用socketTextStream方法从本地端口接收流数据。代码示例: ```python from pyspark.streaming import StreamingContext ssc = StreamingContext(sparkContext, 2) lines = ssc.socketTextStream("localhost", 9999) ``` 然后,我们可以按照空格切分每行数据,并使用flatMap生成一个包含所有单词的新DStream。接着,使用mapToPair方法将每个单词映射到一个键值对,其中键为单词本身,值为1。最后,使用reduceByKey方法对每个单词的计数进行求和。代码示例: ```python words = lines.flatMap(lambda line: line.split(" ")) pairs = words.map(lambda word: (word, 1)) wordCounts = pairs.reduceByKey(lambda x, y: x + y) ``` 最后,我们可以调用print方法输出每个批次计算的结果,启动StreamingContext并等待程序运行。代码示例: ```python wordCounts.pprint() ssc.start() ssc.awaitTermination() ``` 通过这个wordcount程序的实现,我们可以了解到使用Spark Streaming实时计算时的基本流程。在实际生产环境中,我们需要考虑更多的问题,比如并行计算、故障容错等方面,来确保计算的准确性和稳定性。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值