Spark学习笔记-Streaming-1<转>

最新推荐文章于 2024-05-10 22:51:01 发布

转载最新推荐文章于 2024-05-10 22:51:01 发布 · 860 阅读

44 篇文章

订阅专栏

Spark Streaming是将流式计算分解成一系列短小的批处理作业。这里的批处理引擎是Spark Engine，也就是把Spark Streaming的输入数据按照batch size（如1秒）分成一段一段的数据（Discretized Stream），每一段数据都转换成Spark中的RDD（Resilient Distributed Dataset），然后将Spark Streaming中对DStream的Transformation操作变为针对Spark中对RDD的Transformation操作，将RDD经过操作变成中间结果保存在内存中。整个流式计算根据业务的需求可以对中间的结果进行叠加，或者存储到外部设备。Spark Streaming属于Spark的核心api，它支持高吞吐量、支持容错的实时流数据处理。它可以接受来自Kafka, Flume, Twitter, ZeroMQ和TCP Socket的数据源，使用简单的api函数比如 map, reduce, join, window等操作，还可以直接使用内置的机器学习算法、图算法包来处理数据。

Spark Streaming基本操作：

[plain]view plaincopy 
   
 import org.apache.log4j.Level  
 import org.apache.spark.SparkContext  
 import org.apache.spark.streaming.StreamingContext  
 import org.apache.spark.streaming.Seconds  
 import org.apache.spark.streaming.StreamingContext._  
 import org.apache.hadoop.io.LongWritable  
 import org.apache.hadoop.io.Text  
 import org.apache.hadoop.mapreduce.lib.input.TextInputFormat  
   
 object SparkStreaming {  
   
   def main(args: Array[String]) {  
   
     val sc = new SparkContext("spark://centos.host1:7077", "Spark Streaming")  
   
     //创建StreamingContext，20秒一个批次  
     val ssc = new StreamingContext(sc, Seconds(20))  
   
     //获得一个DStream来负责TCP连接(监听端口:地址)  
     val serverIP = "localhost"  
     val serverPort = 9999  
     val lines = ssc.socketTextStream(serverIP, serverPort)  
   
     val rdd1 = lines.flatMap(_.split(" ")).map(word => (word, 1)).reduceByKey(_ + _)  
     //打印到控制台  
     rdd1.print()  
       
     //获得一个InputDStream来负责监听文件目录  
     val dataDirectory = "/user/hadoop/data/temp/streaming/";  
   
     val inputDStream1 = ssc.fileStream[LongWritable, Text, TextInputFormat](dataDirectory)  
     val rdd2 = inputDStream1.flatMap(_._2.toString().split(" ")).map(word => (word, 1)).reduceByKey(_ + _)  
     rdd2.print()  
       
     val inputDStream2 = ssc.textFileStream(dataDirectory)  
     val rdd3 = inputDStream2.flatMap(_.toString().split(" ")).map(word => (word, 1)).reduceByKey(_ + _)  
     rdd3.print()  
       
     //特定的窗口操作，窗口操作涉及两个参数：一个是滑动窗口的宽度(Window Duration)；另一个是窗口滑动的频率(Slide Duration)  
     val inputDStream3 = ssc.fileStream[LongWritable, Text, TextInputFormat](dataDirectory)  
     val rdd4 = inputDStream3.flatMap(_._2.toString().split(" ")).map(word => (word, 1)).reduceByKeyAndWindow(  
         (x:Int, y:Int) => (x + y), Seconds(40), Seconds(20))  
     rdd4.print()  
       
     //保存流的内容，文件默认会保存在用户的目录下  
     //保存流的内容为SequenceFile, 文件目录名 : "prefix-TIME_IN_MS.suffix" rdd-1411894750000.seq   
     rdd4.saveAsObjectFiles("/user/hadoop/data/temp/rdd", "seq")      
     //保存流的内容为TextFile, 文件目录名 : "prefix-TIME_IN_MS.suffix" rdd-1411894750000.txt  
     rdd4.saveAsTextFiles("/user/hadoop/data/temp/rdd", "txt")         
     //保存流的内容为HadoopFile, 文件目录名 : "prefix-TIME_IN_MS.suffix" rdd-1411894750000.hadoop  
     //这个API暂时没有正确使用出来  
     //rdd4.saveAsHadoopFiles("/user/hadoop/data/temp/rdd", "hadoop")  
     //rdd4.saveAsHadoopFiles("/user/hadoop/data/temp/rdd", "hadoop", Text.class, IntWritable.class, TextOutputFormat.class, conf)  
       
     //开始运行  
     ssc.start()  
     //计算完毕退出  
     ssc.awaitTermination()  
   
     sc.stop()  
   }  
     
 }  