Spark-Streaming有状态计算

一、上下文

《Spark-Streaming初识》中的NetworkWordCount示例只能统计每个微批下的单词的数量，那么如何才能统计从开始加载数据到当下的所有数量呢？下面我们就来通过官方例子学习下Spark-Streaming有状态计算。

二、官方例子

所属包：org.apache.spark.examples.streaming

object StatefulNetworkWordCount {
  def main(args: Array[String]): Unit = {
    if (args.length < 2) {
      System.err.println("Usage: StatefulNetworkWordCount <hostname> <port>")
      System.exit(1)
    }

    StreamingExamples.setStreamingLogLevels()

    val sparkConf = new SparkConf().setAppName("StatefulNetworkWordCount")
    //创建微批为 1 秒的上下文
    val ssc = new StreamingContext(sparkConf, Seconds(1))
    //指定 checkpoint 目录
    ssc.checkpoint(".")

    // 用一个 List 初始化一个 RDD
    val initialRDD = ssc.sparkContext.parallelize(List(("hello", 1), ("world", 1)))

    // 在目标ip:port上创建一个ReceiverInputDStream，并对分隔测试的输入流中的单词进行计数（例如由'nc'生成）
    val lines = ssc.socketTextStream(args(0), args(1).toInt)
    val words = lines.flatMap(_.split(" "))
    val wordDstream = words.map(x => (x, 1))

    // 使用mapWithState更新累积计数这将给出一个由状态组成的DStream（即单词的累积计数）
    val mappingFunc = (word: String, one: Option[Int], state: State[Int]) => {
      val sum = one.getOrElse(0) + state.getOption.getOrElse(0)
      val output = (word, sum)
      state.update(sum)
      output
    }

    val stateDstream = wordDstream.mapWithState(
      StateSpec.function(mappingFunc).initialState(initialRDD))
    stateDstream.print()
    ssc.start()
    ssc.awaitTermination()
  }
}

三、分析

1、构建SparkConf

它是Spark应用程序的配置，用于设置Spark的各种参数。支持链式设置

new SparkConf().setMaster("local").setAppName("My app")

 一旦SparkConf对象传递给Spark，用户就不能再对其进行修改。Spark不支持在运行时修改配置

2、构建StreamingContext

它是Spark Streaming功能的主要入口点，且提供了从各种输入源创建[[org.apache.spark.streaming.dstream.DStream]] 的方法。

创建和转换DStreams后，可以分别使用start()、stop()启动和停止流计算，awaitTermination()允许当前线程通过stop()或异常等待上下文的终止。

3、设置checkpoint

StreamingContext最终还是通过SparkContext来设置checkpoint，但其实都是为各自的checkpointDir设置checkpoint路径，在有状态计算中checkpoint是必须的。

所谓有状态计算就必须要把历史状态给存储下来，spark中使用使用checkpoint来实现这个存储，每个微批的数据的计算都要更新到历史状态中。

class SparkContext(config: SparkConf) extends Logging {

  private[spark] var checkpointDir: Option[String] = None

}

class StreamingContext private[streaming] (
    _sc: SparkContext,
    _cp: Checkpoint,
    _batchDur: Duration
  ) extends Logging {

  private[streaming] var checkpointDir: String = {
    if (isCheckpointPresent) {
      sc.setCheckpointDir(_cp.checkpointDir)
      _cp.checkpointDir
    } else {
      null
    }
  }

}

4、初始化一个RDD

为什么要初始化一个RDD呢？我们看看下面是如何用到的。

5、创建一个ReceiverInputDStream

这里是从TCP源hostname:port创建输入流。使用TCP套接字接收数据，并使用给定的转换器将接收字节解释为对象

6、处理单词

从源码中可以看出会把这样的文本

hadoop spark flink kafka hadoop spark-streaming

处理成这样的格式

hadoop 1

spark 1

flink 1

kafka 1

hadoop 1

spark-streaming 1

6、使用mapWithState更新累积计数

该算子可以维护并更新每个key的状态。

这里用到一个新对象：StateSpec，且用到了它的两个方法，initialState和function

initialState：设置包含“mapWithState”将使用的初始状态的RDD`

function：设置实际的状态更新操作

//第1个参数：状态 key 的类别
//第2个参数：状态 value 的类别
//第3个参数：状态 数据 的类别
//第4个参数：状态 处理完要返回 的类别
def mappingFunction(key: String, value: Option[Int], state: State[Int]): Option[String] = {

  // 使用state.exists()、state.get()、state.update()和state.remove()来管理状态，并返回必要的字符串
}

四、运行

运行Netcat

nc -lk 9999

新建一个窗口运行官方例子

cd /opt/cloudera/parcels/CDH-6.3.1-1.cdh6.3.1.p0.1470567/lib/spark/
bin/run-example org.apache.spark.examples.streaming.StatefulNetworkWordCount cdh1 9999