总的来说SparkStreaming提供这个方法主要是出于效率考虑。 比如说我要每10秒计算一下前15秒的内容,(每个batch 5秒), 可以想象每十秒计算出来的结果和前一次计算的结果其实中间有5秒的时间值是重复的。
那么就是通过如下步骤1. 存储上一个window的reduce值
2.计算出上一个window的begin 时间到 重复段的开始时间的reduce 值 =》 oldRDD
3.重复时间段的值结束时间到当前window的结束时间的值 =》 newRDD
4.重复时间段的值等于上一个window的值减去oldRDD
这样就不需要去计算每个batch的值, 只需加加减减就能得到新的reduce出来的值。
从代码上面来看, 入口为:
reduceByKeyAndWindow(_+_, _-_, Duration, Duration)
一步一步跟踪进去, 可以看到实际的业务类是在ReducedWindowedDStream 这个类里面:
代码理解就直接拿这个类来看了: 主要功能是在compute里面实现, 通过下面代码回调mergeValues 来计算最后的返回值
- val mergedValuesRDD = cogroupedRDD.asInstanceOf[RDD[(K, Array[Iterable[V]])]]
- .mapValues(mergeValues)
先计算oldRDD 和newRDD
//currentWindow 就是以当前时间回退一个window的时间再向前一个batch 到当前时间的窗口 代码里面有一个图很有用:
我们要计算的new rdd就是15秒-25秒期间的值, oldRDD就是0秒到10秒的值, previous window的值是1秒 - 15秒的值
然后最终结果是 重复区间(previous window的值 - oldRDD的值) =》 也就是中间重复部分, 再加上newRDD的值, 这样的话得到的结果就是10秒到25秒这个时间区间的值
- // 0秒 10秒 15秒 25秒
- // _____________________________
- // | previous window _________|___________________
- // |___________________| current window | --------------> Time
- // |_____________________________|
- //
- // |________ _________| |________ _________|
- // | |
- // V V
- // old RDDs new RDDs
- //
- val currentTime = validTime
- val currentWindow = new Interval(currentTime - windowDuration + parent.slideDuration,
- currentTime)
- val previousWindow = currentWindow - slideDuration
- val oldRDDs =
- reducedStream.slice(previousWindow.beginTime, currentWindow.beginTime - parent.slideDuration)
- logDebug("# old RDDs = " + oldRDDs.size)
- // Get the RDDs of the reduced values in "new time steps"
- val newRDDs =
- reducedStream.slice(previousWindow.endTime + parent.slideDuration, currentWindow.endTime)
- logDebug("# new RDDs = " + newRDDs.size)
得到newRDD和oldRDD后就要拿到previous windows的值: 如果第一次没有previous window那么建一个空RDD, 为最后计算结果时 arrayOfValues(0).isEmpty 铺垫
- val previousWindowRDD =
- getOrCompute(previousWindow.endTime).getOrElse(ssc.sc.makeRDD(Seq[(K, V)]()))
- val allRDDs = new ArrayBuffer[RDD[(K, V)]]() += previousWindowRDD ++= oldRDDs ++= newRDDs
将每个RDD的(K,V) 转变成(K, Iterator(V))的形式:
比如说有两个值(K,a) 和(K,b) 那么coGroup后就会成为(K, Iterator(a,b))这种形式
- val cogroupedRDD = new CoGroupedRDD[K](allRDDs.toSeq.asInstanceOf[Seq[RDD[(K, _)]]],
- partitioner)
进行最后的计算:
- val mergeValues = (arrayOfValues: Array[Iterable[V]]) => {
- ...
- }
正确值为 1 (previous window value) + numOldValues (oldRDD 每个RDD的value) + numNewValues (newRDD 每个RDD的value)
- if (arrayOfValues.size != 1 + numOldValues + numNewValues) {
- throw new Exception("Unexpected number of sequences of reduced values")
- }
- val oldValues = (1 to numOldValues).map(i => arrayOfValues(i)).filter(!_.isEmpty).map(_.head)
- val newValues =
- (1 to numNewValues).map(i => arrayOfValues(numOldValues + i)).filter(!_.isEmpty).map(_.head)
- if (arrayOfValues(0).isEmpty) {
- // If previous window's reduce value does not exist, then at least new values should exist
- if (newValues.isEmpty) {
- throw new Exception("Neither previous window has value for key, nor new values found. " +
- "Are you sure your key class hashes consistently?")
- }
- // Reduce the new values
- newValues.reduce(reduceF) // return
- }
- else {
- // Get the previous window's reduced value
- var tempValue = arrayOfValues(0).head
- // If old values exists, then inverse reduce then from previous value
- if (!oldValues.isEmpty) {
- tempValue = invReduceF(tempValue, oldValues.reduce(reduceF))
- }
- // If new values exists, then reduce them with previous value
- if (!newValues.isEmpty) {
- tempValue = reduceF(tempValue, newValues.reduce(reduceF))
- }
- tempValue // return
- }
- if (filterFunc.isDefined) {
- Some(mergedValuesRDD.filter(filterFunc.get))
- } else {
- Some(mergedValuesRDD)
- }
这样就返回了新window内的值
* reduceByKeyAndWindow(func, invFunc, windowLength, slideInterval, [numTasks]):
* 窗口长度(windowLength):窗口的持续时间
* 滑动间隔(slideInterval):执行窗口操作的间隔
* 这是比上一个reduceByKeyAndWindow()更有效的版本,
* 根据上一个窗口的reduce value来增量地计算每个窗口的当前的reduce value值,
* 这是通过处理进入滑动窗口的新数据,以及“可逆的处理”离开窗口的旧数据来完成的。
* 一个例子是当窗口滑动时,“添加”和“减少”key的数量。
* 然而,它仅适用于“可逆的reduce 函数”,即具有相应“可逆的reduce”功能的reduce函数(作为参数invFunc)。
* 像在reduceByKeyAndWindow中,reduce task的数量可以通过可选参数进行配置。
* 请注意,使用此操作必须启用 checkpointing 。即:优化的窗口函数需要checkpoint。
* 以上的意思就是 传一个参数的reduceByKeyAndWindow每次计算包含多个批次,每次都会从新计算。造成效率比较低,因为存在重复计算数据的情况
* 传二个参数的reduceByKeyAndWindow 是基于上次计算过的结果,计算每次key的结果,可以画图示意。
public class Operate_reduceByKeyAndWindow_2 {
public static void main(String[] args) {
SparkConf conf = new SparkConf().setMaster("local").setAppName("Operate_countByWindow");
JavaStreamingContext jsc = new JavaStreamingContext(conf,Durations.seconds(5));
jsc.checkpoint("checkpoint");
JavaDStream<String> textFileStream = jsc.textFileStream("data");
/**
* 首先将textFileStream转换为tuple格式统计word字数
*/
JavaPairDStream<String, Integer> mapToPair = textFileStream.flatMap(new FlatMapFunction<String, String>() {
private static final long serialVersionUID = 1L;
public Iterable<String> call(String t) throws Exception {
return Arrays.asList(t.split(" "));
}
}).mapToPair(new PairFunction<String, String, Integer>() {
private static final long serialVersionUID = 1L;
public Tuple2<String, Integer> call(String t) throws Exception {
return new Tuple2<String, Integer>(t.trim(), 1);
}
});
JavaPairDStream<String, Integer> reduceByKeyAndWindow = mapToPair.reduceByKeyAndWindow(new Function2<Integer, Integer, Integer>() {
private static final long serialVersionUID = 1L;
/**
* 这里的v1是指上一个所有的状态的key的value值(如果有出去的某一批次值,v1就是下面第二个函数返回的值),v2为本次的读取进来的值
*/
public Integer call(Integer v1, Integer v2) throws Exception {
System.out.println("***********v1*************"+v1);
System.out.println("***********v2*************"+v2);
return v1+v2;
}
}, new Function2<Integer,Integer,Integer>(){
private static final long serialVersionUID = 1L;
/**
* 这里的这个第二个参数的Function2是在windowLength时间后才开始执行,v1是上面一个函数刚刚加上最近读取过来的key的value值的最新值,
* v2是窗口滑动后,滑动间隔中出去的那一批值
* 返回的值又是上面函数的v1 的输入值
*/
public Integer call(Integer v1, Integer v2) throws Exception {
System.out.println("^^^^^^^^^^^v1^^^^^^^^^^^^^"+v1);
System.out.println("^^^^^^^^^^^v2^^^^^^^^^^^^^"+v2);
// return v1-v2-1;//每次输出结果递减1
return v1-v2;
}
}, Durations.seconds(20), Durations.seconds(10));
reduceByKeyAndWindow.print();
jsc.start();
jsc.awaitTermination();
jsc.close();
}
}