Spark Streaming transform以及广告计费日志实时黑名单过滤+window滑动窗口以及热点搜索词滑动统计

一.transform以及广告计费日志实时黑名单过滤案例实战

transform操作，应用在DStream上时，可以用于执行任意的RDD到RDD的转换操作。它可以用于实现，DStream API中所没有提供的操作。比如说，DStream API中，并没有提供将一个DStream中的每个batch，与一个特定的RDD进行join的操作。但是我们自己就可以使用transform操作来实现该功能。

DStream.join()，只能join其他DStream。在DStream每个batch的RDD计算出来之后，会去跟其他DStream的RDD进行join。

案例：广告计费日志实时黑名单过滤

代码如下

package com.hzk.sparkStreaming;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.Optional;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.api.java.function.PairFunction;
import org.apache.spark.api.java.function.VoidFunction;
import org.apache.spark.streaming.Durations;
import org.apache.spark.streaming.api.java.JavaDStream;
import org.apache.spark.streaming.api.java.JavaPairDStream;
import org.apache.spark.streaming.api.java.JavaReceiverInputDStream;
import org.apache.spark.streaming.api.java.JavaStreamingContext;
import scala.Tuple2;

import java.util.ArrayList;
import java.util.List;

/**
 * 基于transform的实时广告计费日志黑名单过滤
 * 这里案例，完全脱胎于真实的广告业务的大数据系统，业务是真实的，实用
 * @author Administrator
 *
 */
public class TransformBlacklist {
    public static void main(String[] args) throws InterruptedException {
        SparkConf conf = new SparkConf()
                .setMaster("local[2]")
                .setAppName("TransformBlacklist");
        JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(5));
        // 用户对我们的网站上的广告可以进行点击
        // 点击之后，是不是要进行实时计费，点一下，算一次钱
        // 但是，对于那些帮助某些无良商家刷广告的人，那么我们有一个黑名单
        // 只要是黑名单中的用户点击的广告，我们就给过滤掉

        // 先做一份模拟的黑名单RDD
        List<Tuple2<String ,Boolean>> blacklist=new ArrayList<Tuple2<String, Boolean>>();
        blacklist.add(new Tuple2<String,Boolean>("tom",true));
        final JavaPairRDD<String,Boolean> blacklistRDD=jssc.sparkContext().parallelizePairs(blacklist);
        // 这里的日志格式，就简化一下，就是date username的方式
        JavaReceiverInputDStream<String> adsClickDStream=jssc.socketTextStream("hadoop-001",9999);
        // 所以，要先对输入的数据，进行一下转换操作，变成，(username, date username)
        // 以便于，后面对每个batch RDD，与定义好的黑名单RDD进行join操作
        JavaPairDStream<String,String> userAdsClickLogStream=adsClickDStream.mapToPair(new PairFunction<String, String, String>() {
            @Override
            public Tuple2<String, String> call(String s) throws Exception {
                return new Tuple2<>(s.split(" ")[1],s);
            }
        });
        // 然后，就可以执行transform操作了，将每个batch的RDD，与黑名单RDD进行join、filter、map等操作
        // 实时进行黑名单过滤
        JavaDStream<String> validAdsClickLogDStream=userAdsClickLogStream.transform(

                new Function<JavaPairRDD<String, String>, JavaRDD<String>>() {
                    @Override
                    public JavaRDD<String> call(JavaPairRDD<String, String> userAdsClickLogRDD) throws Exception {
                        // 这里为什么用左外连接？
                        // 因为，并不是每个用户都存在于黑名单中的
                        // 所以，如果直接用join，那么没有存在于黑名单中的数据，会无法join到
                        // 就给丢弃掉了
                        // 所以，这里用leftOuterJoin，就是说，哪怕一个user不在黑名单RDD中，没有join到
                        // 也还是会被保存下来的


                        JavaPairRDD<String, Tuple2<String, Optional<Boolean>>> joinedRDD=
                                userAdsClickLogRDD.leftOuterJoin(blacklistRDD);
                        // 连接之后，执行filter算子
                        JavaPairRDD<String,Tuple2<String,Optional<Boolean>>> filteredRDD=
                                joinedRDD.filter(new Function<Tuple2<String, Tuple2<String, Optional<Boolean>>>, Boolean>() {
                                    @Override
                                    public Boolean call(Tuple2<String, Tuple2<String, Optional<Boolean>>> tuple2) throws Exception {
                                        if (tuple2._2._2().isPresent() && tuple2._2._2.get()) {
                                            return false;
                                        }
                                        return true;
                                    }
                                });

                        // 此时，filteredRDD中，就只剩下没有被黑名单过滤的用户点击了
                        // 进行map操作，转换成我们想要的格式
                        JavaRDD<String> validAdsClickLogRDD=filteredRDD.map(new Function<Tuple2<String, Tuple2<String, Optional<Boolean>>>, String>() {
                            @Override
                            public String call(Tuple2<String, Tuple2<String, Optional<Boolean>>> tuple2) throws Exception {
                                return tuple2._2._1;
                            }
                        });
                        return validAdsClickLogRDD;
                    }
                }
        );
        // 打印有效的广告点击日志
        // 其实在真实企业场景中，这里后面就可以走写入kafka、ActiveMQ等这种中间件消息队列
        // 然后再开发一个专门的后台服务，作为广告计费服务，执行实时的广告计费，这里就是只拿到了有效的广告点击
        validAdsClickLogDStream.print();

        jssc.start();
        jssc.awaitTermination();
        jssc.close();
    }
}

 

二.window滑动窗口以及热点搜索词滑动统计案例实战

window滑动窗口
Spark Streaming提供了滑动窗口操作的支持，从而让我们可以对一个滑动窗口内的数据执行计算操作。每次掉落在窗口内的RDD的数据，会被聚合起来执行计算操作，然后生成的RDD，会作为window DStream的一个RDD。比如下图中，就是对每三秒钟的数据执行一次滑动窗口计算，这3秒内的3个RDD会被聚合起来进行处理，然后过了两秒钟，又会对最近三秒内的数据执行滑动窗口计算。所以每个滑动窗口操作，都必须指定两个参数，窗口长度以及滑动间隔，而且这两个参数值都必须是batch间隔的整数倍。（Spark Streaming对滑动窗口的支持，是比Storm更加完善和强大的）
window滑动窗口操作

案例：热点搜索词滑动统计，每隔10秒钟，统计最近60秒钟的搜索词的搜索频次，并打印出排名最靠前的3个搜索词以及出现次数

package com.hzk.sparkStreaming;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.PairFunction;
import org.apache.spark.streaming.Durations;
import org.apache.spark.streaming.api.java.JavaDStream;
import org.apache.spark.streaming.api.java.JavaPairDStream;
import org.apache.spark.streaming.api.java.JavaReceiverInputDStream;
import org.apache.spark.streaming.api.java.JavaStreamingContext;
import scala.Tuple2;

import java.util.List;

/**
 * 基于滑动窗口的热点搜索词实时统计
 * @author Administrator
 *
 */
public class WindowHotWord {
    public static void main(String[] args) throws InterruptedException {
        SparkConf conf = new SparkConf()
                .setMaster("local[2]")
                .setAppName("WindowHotWord");
        JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(1));
        // 说明一下，这里的搜索日志的格式
        // leo hello
        // tom world
        JavaReceiverInputDStream<String> searchLogsDStream = jssc.socketTextStream("hadoop-001", 9999);
        // 将搜索日志给转换成，只有一个搜索词，即可
        JavaDStream<String> searchWordsDStream=searchLogsDStream.map(new Function<String, String>() {
            @Override
            public String call(String s) throws Exception {
                return s.split(" ")[1];
            }
        });
        // 将搜索词映射为(searchWord, 1)的tuple格式
        JavaPairDStream<String,Integer> searchWordPairDStream=searchLogsDStream.mapToPair(new PairFunction<String, String, Integer>() {
            @Override
            public Tuple2<String, Integer> call(String s) throws Exception {
                return new Tuple2<String,Integer>(s,1);
            }
        });
        // 针对(searchWord, 1)的tuple格式的DStream，执行reduceByKeyAndWindow，滑动窗口操作
        // 第二个参数，是窗口长度，这里是60秒
        // 第三个参数，是滑动间隔，这里是10秒
        // 也就是说，每隔10秒钟，将最近60秒的数据，作为一个窗口，进行内部的RDD的聚合，然后统一对一个RDD进行后续
        // 计算
        // 所以说，这里的意思，就是，之前的searchWordPairDStream为止，其实，都是不会立即进行计算的
        // 而是只是放在那里
        // 然后，等待我们的滑动间隔到了以后，10秒钟到了，会将之前60秒的RDD，因为一个batch间隔是，5秒，所以之前
        // 60秒，就有12个RDD，给聚合起来，然后，统一执行redcueByKey操作
        // 所以这里的reduceByKeyAndWindow，是针对每个窗口执行计算的，而不是针对某个DStream中的RDD
        JavaPairDStream<String,Integer> searchWordCountsDstream=
                searchWordPairDStream.reduceByKeyAndWindow(new Function2<Integer, Integer, Integer>() {
                    @Override
                    public Integer call(Integer integer, Integer integer2) throws Exception {
                        return integer+integer2;
                    }
                },Durations.seconds(60),Durations.seconds(10));
        // 到这里为止，就已经可以做到，每隔10秒钟，出来，之前60秒的收集到的单词的统计次数
        // 执行transform操作，因为，一个窗口，就是一个60秒钟的数据，会变成一个RDD，然后，对这一个RDD
        // 根据每个搜索词出现的频率进行排序，然后获取排名前3的热点搜索词
        JavaPairDStream<String,Integer> finalDStream=searchWordCountsDstream.transformToPair(new Function<JavaPairRDD<String, Integer>, JavaPairRDD<String, Integer>>() {
            @Override
            public JavaPairRDD<String, Integer> call(JavaPairRDD<String, Integer> searchWordCountsRDD) throws Exception {
               JavaPairRDD<Integer,String> countSearchWordsRDD=searchWordCountsRDD.mapToPair(new PairFunction<Tuple2<String, Integer>, Integer, String>() {
                   @Override
                   public Tuple2<Integer, String> call(Tuple2<String, Integer> s) throws Exception {
                       return new Tuple2<>(s._2,s._1);
                   }
               });
                JavaPairRDD<Integer, String> sortedCountSearchWordsRDD=countSearchWordsRDD.sortByKey(false);
                // 然后再次执行反转，变成(searchWord, count)的这种格式
                JavaPairRDD<String, Integer> sortedSearchWordCountsRDD=sortedCountSearchWordsRDD.mapToPair(new PairFunction<Tuple2<Integer, String>, String, Integer>() {
                    @Override
                    public Tuple2<String, Integer> call(Tuple2<Integer, String> tuple2) throws Exception {
                        return new Tuple2<String, Integer>(tuple2._2,tuple2._1);
                    }
                });
                // 然后用take()，获取排名前3的热点搜索词
                List<Tuple2<String,Integer>> hogSearchWordCounts=sortedSearchWordCountsRDD.take(3);
                for (Tuple2<String,Integer> wordCount:hogSearchWordCounts)
                {
                    System.out.println(wordCount._1 + ": " + wordCount._2);
                }
                return searchWordCountsRDD;
            }
        });
        finalDStream.print();

        jssc.start();
        jssc.awaitTermination();
        jssc.close();

    }

}