Structured Streaming——WordCount

最新推荐文章于 2024-07-24 00:10:31 发布

原创最新推荐文章于 2024-07-24 00:10:31 发布 · 635 阅读

0 ·

CC 4.0 BY-SA版权

Spark Structured Streaming 专栏收录该内容

0 篇文章

订阅专栏

本文介绍如何使用Apache Spark的Streaming模块实现实时词频统计。通过读取Socket数据源，将接收到的文本数据流转换为单词，然后对每个单词进行分组并统计其出现次数，最终将结果输出到控制台。此示例适用于测试环境，了解实时数据处理流程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import org.apache.log4j.{Level, Logger}
import org.apache.spark.sql.{DataFrame, SparkSession}

object WordCountDemo1 {
  def main(args: Array[String]): Unit = {
    Logger.getLogger("org").setLevel(Level.WARN)

    val spark = SparkSession.builder()
      .appName("WordCountDemo1")
      .master("local").getOrCreate()
    import spark.implicits._
    /**
      * Socket方式是最简单的数据输入源，本程序就是使用的这种方式，
      * 用户只需要指定"socket"形式并配置监听的IP和Port即可。
      * Socket方式Streaming是接收UTF8的text数据，并且这种方式最后只用于测试，不要用户端到端的项目中。
      */
    val lines: DataFrame = spark.readStream
      .format("socket")
      .option("host", "master")
      .option("port", "9999")
      .load()

    /**
      * 首先将接受到的数据流lines转换为String类型的序列；
      * 接着每一批数据都以空格分隔为独立的单词；
      * 最后再对每个单词进行分组并统计次数。
      */
    val words = lines.as[String].flatMap(_.split(" "))
    val wordCounts: DataFrame = words.groupBy("value").count()
    /**
      * 通过DataFrame对象的writeStream方法获取DataStreamWrite对象，DataStreamWrite类定义了一些数据输出的方式。
      * 本程序将数据输出到控制终端。
      * 注意：只有在调用start()方法后，才开始执行Streaming进程。
      * start()方法会返回一个StreamingQuery对象，用户可以使用该对象来管理Streaming进程。
      * 本程序中调用awaitTermination()方法阻塞接收所有数据。
      */
    val query = wordCounts.writeStream.outputMode("complete")
      .format("console").start()

    //注意：使用append这个输出模式时，不能用wordCounts
    //    val query = words.writeStream.outputMode("append")
    //      .format("console").start()

    query.awaitTermination()
  }
}