Spark Streaming DStream的output操作以及foreachRDD详解+与Spark SQL结合统计top3热门商品

一.DStream的output操作以及foreachRDD详解

1.output操作概览

2.output操作

DStream中的所有计算，都是由output操作触发的，比如print()。如果没有任何output操作，那么，压根儿就不会执行定义的计算逻辑。

此外，即使你使用了foreachRDD output操作，也必须在里面对RDD执行action操作，才能触发对每一个batch的计算逻辑。否则，光有foreachRDD output操作，在里面没有对RDD执行action操作，也不会触发任何逻辑。

3.foreachRDD详解
通常在foreachRDD中，都会创建一个Connection，比如JDBC Connection，然后通过Connection将数据写入外部存储。

误区一：

在RDD的foreach操作外部，创建Connection

这种方式是错误的，因为它会导致Connection对象被序列化后传输到每个Task中。而这种Connection对象，实际上一般是不支持序列化的，也就无法被传输。

dstream.foreachRDD { rdd =>
val connection = createNewConnection()
rdd.foreach { record => connection.send(record)
}
}

误区二：

在RDD的foreach操作内部，创建Connection

这种方式是可以的，但是效率低下。因为它会导致对于RDD中的每一条数据，都创建一个Connection对象。而通常来说，Connection的创建，是很消耗性能的。

dstream.foreachRDD { rdd =>
rdd.foreach { record =>
val connection = createNewConnection()
connection.send(record)
connection.close()
}
}

合理方式一：

使用RDD的foreachPartition操作，并且在该操作内部，创建Connection对象，这样就相当于是，为RDD的每个partition创建一个Connection对象，节省资源的多了。

dstream.foreachRDD { rdd =>
rdd.foreachPartition { partitionOfRecords =>
val connection = createNewConnection()
partitionOfRecords.foreach(record => connection.send(record))
connection.close()
}
}

合理方式二：

自己手动封装一个静态连接池，使用RDD的foreachPartition操作，并且在该操作内部，从静态连接池中，通过静态方法，获取到一个连接，使用之后再还回去。这样的话，甚至在多个RDD的partition之间，也可以复用连接了。而且可以让连接池采取懒创建的策略，并且空闲一段时间后，将其释放掉。

dstream.foreachRDD { rdd =>
rdd.foreachPartition { partitionOfRecords =>
val connection = ConnectionPool.getConnection()
partitionOfRecords.foreach(record => connection.send(record))
ConnectionPool.returnConnection(connection)
}
}

4.foreachRDD实战

案例：改写UpdateStateByKeyWordCount，将每次统计出来的全局的单词计数，写入一份，到MySQL数据库中。

建表语句
create table wordcount (
id integer auto_increment primary key,
updated_time timestamp NOT NULL default CURRENT_TIMESTAMP on update CURRENT_TIMESTAMP,
word varchar(255),
count integer
);

代码如下

package com.hzk.sparkStreaming;

import java.sql.Connection;
import java.sql.DriverManager;
import java.util.LinkedList;

/**
 * 简易版的连接池
 * @author Administrator
 *
 */
public class ConnectionPool {
    // 静态的Connection队列
    private static LinkedList<Connection> connectionQueue;

    /**
     * 加载驱动
     */
    static {
        try {
            Class.forName("com.mysql.jdbc.Driver");
        } catch (ClassNotFoundException e) {
            e.printStackTrace();
        }
    }

    /**
     * 获取连接，多线程访问并发控制
     * @return
     */
    public synchronized static Connection getConnection() {
        try {
            if(connectionQueue == null) {
                connectionQueue = new LinkedList<Connection>();
                for(int i = 0; i < 10; i++) {
                    Connection conn = DriverManager.getConnection(
                            "jdbc:mysql://hadoop-001:3306/baidu",
                            "",
                            "");
                    connectionQueue.push(conn);
                }
            }
        } catch (Exception e) {
            e.printStackTrace();
        }
        return connectionQueue.poll();
    }

    /**
     * 还回去一个连接
     */
    public static void returnConnection(Connection conn) {
        connectionQueue.push(conn);
    }
}

package com.hzk.sparkStreaming;

import java.sql.Connection;
import java.sql.Statement;
import java.util.Arrays;
import java.util.Iterator;
import java.util.List;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.Optional;
import org.apache.spark.api.java.function.FlatMapFunction;
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.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;

/**
 * 基于持久化机制的实时wordcount程序
 * @author Administrator
 *
 */
public class PersistWordCount {
    public static void main(String[] args) throws InterruptedException {
        SparkConf conf = new SparkConf()
                .setMaster("local[2]")
                .setAppName("PersistWordCount");
        JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(5));

        jssc.checkpoint("hdfs://hadoop-001:9000/wordcount_checkpoint");

        JavaReceiverInputDStream<String> lines = jssc.socketTextStream("hadoop-001", 9999);

        JavaDStream<String> words = lines.flatMap(new FlatMapFunction<String, String>() {

            private static final long serialVersionUID = 1L;

            @Override
            public Iterator<String> call(String line) throws Exception {
                return Arrays.asList(line.split(" ")).iterator();
            }

        });

        JavaPairDStream<String, Integer> pairs = words.mapToPair(

                new PairFunction<String, String, Integer>() {

                    private static final long serialVersionUID = 1L;

                    @Override
                    public Tuple2<String, Integer> call(String word)
                            throws Exception {
                        return new Tuple2<String, Integer>(word, 1);
                    }

                });

        JavaPairDStream<String, Integer> wordCounts = pairs.updateStateByKey(

                new Function2<List<Integer>, Optional<Integer>, Optional<Integer>>() {

                    private static final long serialVersionUID = 1L;

                    @Override
                    public Optional<Integer> call(List<Integer> values,
                                                  Optional<Integer> state) throws Exception {
                        Integer newValue = 0;

                        if(state.isPresent()) {
                            newValue = state.get();
                        }

                        for(Integer value : values) {
                            newValue += value;
                        }

                        return Optional.of(newValue);
                    }

                });

        // 每次得到当前所有单词的统计次数之后，将其写入mysql存储，进行持久化，以便于后续的J2EE应用程序
        // 进行显示
        wordCounts.foreachRDD(new VoidFunction<JavaPairRDD<String, Integer>>() {
                  @Override
                  public void call(JavaPairRDD<String, Integer> wordCountsRDD) throws Exception {
                      // 调用RDD的foreachPartition()方法
                      wordCountsRDD.foreachPartition(new VoidFunction<Iterator<Tuple2<String, Integer>>>() {

                          @Override
                          public void call(Iterator<Tuple2<String, Integer>> wordCounts) throws Exception {
                              // 给每个partition，获取一个连接
                              Connection conn = ConnectionPool.getConnection();

                              // 遍历partition中的数据，使用一个连接，插入数据库
                              Tuple2<String, Integer> wordCount = null;
                              while (wordCounts.hasNext()) {
                                  wordCount = wordCounts.next();

                                  String sql = "insert into wordcount(word,count) "
                                          + "values('" + wordCount._1 + "'," + wordCount._2 + ")";

                                  Statement stmt = conn.createStatement();
                                  stmt.executeUpdate(sql);
                              }

                              // 用完以后，将连接还回去
                              ConnectionPool.returnConnection(conn);
                          }
                      });
                  }
              });
        jssc.start();
        jssc.awaitTermination();
        jssc.close();
    }
}

二.与Spark SQL结合使用之top3热门商品实时统计案例实战

Spark Streaming最强大的地方在于，可以与Spark Core、Spark SQL整合使用，之前已经通过transform、foreachRDD等算子看到，如何将DStream中的RDD使用Spark Core执行批处理操作。现在就来看看，如何将DStream中的RDD与Spark SQL结合起来使用。

案例：每隔10秒，统计最近60秒的，每个种类的每个商品的点击次数，然后统计出每个种类top3热门的商品。

 代码如下

package com.hzk.sparkStreaming;

import org.apache.avro.generic.GenericData;
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.function.Function;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.PairFunction;
import org.apache.spark.api.java.function.VoidFunction;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.RowFactory;
import org.apache.spark.sql.hive.HiveContext;
import org.apache.spark.sql.types.DataType;
import org.apache.spark.sql.types.DataTypes;
import org.apache.spark.sql.types.StructField;
import org.apache.spark.sql.types.StructType;
import org.apache.spark.streaming.Durations;
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 org.bouncycastle.util.Strings;
import scala.Tuple2;

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

public class Top3HotProduct {
    public static void main(String[] args) throws InterruptedException {
        SparkConf conf=new SparkConf().setMaster("local[2]").setAppName("Top3HotProduct");
        JavaStreamingContext jssc=new JavaStreamingContext(conf, Durations.seconds(5));
        // 首先看一下，输入日志的格式
        // leo iphone mobile_phone

        // 首先，获取输入数据流
        // 这里顺带提一句，之前没有讲过，就是说，我们的Spark Streaming的案例为什么都是基于socket的呢？
        // 因为方便啊。。。
        // 其实，企业里面，真正最常用的，都是基于Kafka这种数据源
        // 但是我觉得我们的练习，用socket也无妨，比较方便，而且一点也不影响学习
        // 因为不同的输入来源的，不同之处，只是在创建输入DStream的那一点点代码
        // 所以，核心是在于之后的Spark Streaming的实时计算
        // 所以只要我们掌握了各个案例和功能的使用
        // 在企业里，切换到Kafka，易如反掌把，因为我们之前都详细讲过，而且实验过，实战编码过，将Kafka作为
        // 数据源的两种方式了
        JavaReceiverInputDStream<String> productClickLogsDStream=jssc.socketTextStream("hadoop-001",9999);

        // 然后，应该是做一个映射，将每个种类的每个商品，映射为(category_product, 1)的这种格式
        // 从而在后面可以使用window操作，对窗口中的这种格式的数据，进行reduceByKey操作
        // 从而统计出来，一个窗口中的每个种类的每个商品的，点击次数
        JavaPairDStream<String,Integer> categoryProductPairsDStream=productClickLogsDStream.mapToPair(new PairFunction<String, String, Integer>() {
            @Override
            public Tuple2<String, Integer> call(String s) throws Exception {
                String[] productClickLogSplites=s.split(" ");
                return new Tuple2<>(productClickLogSplites[2]+"_"+productClickLogSplites[1],1);
            }
        });
        // 然后执行window操作
        // 到这里，就可以做到，每隔10秒钟，对最近60秒的数据，执行reduceByKey操作
        // 计算出来这60秒内，每个种类的每个商品的点击次数
        JavaPairDStream<String,Integer> categoryProductCountsDStream= categoryProductPairsDStream.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));
        // 然后针对60秒内的每个种类的每个商品的点击次数
        // foreachRDD，在内部，使用Spark SQL执行top3热门商品的统计
        categoryProductCountsDStream.foreachRDD(new VoidFunction<JavaPairRDD<String, Integer>>() {

            @Override
            public void call(JavaPairRDD<String, Integer> categoryProductCountsRDD) throws Exception {

                // 将该RDD，转换为JavaRDD<Row>的格式
                JavaRDD<Row> categoryProductCountRowRDD = categoryProductCountsRDD.map(

                        new Function<Tuple2<String,Integer>, Row>() {

                            private static final long serialVersionUID = 1L;

                            @Override
                            public Row call(Tuple2<String, Integer> categoryProductCount)
                                    throws Exception {
                                String category = categoryProductCount._1.split("_")[0];
                                String product = categoryProductCount._1.split("_")[1];
                                Integer count = categoryProductCount._2;
                                return RowFactory.create(category, product, count);
                            }

                        });

                // 然后，执行DataFrame转换
                List<StructField> structFields = new ArrayList<StructField>();
                structFields.add(DataTypes.createStructField("category", DataTypes.StringType, true));
                structFields.add(DataTypes.createStructField("product", DataTypes.StringType, true));
                structFields.add(DataTypes.createStructField("click_count", DataTypes.IntegerType, true));
                StructType structType = DataTypes.createStructType(structFields);

                HiveContext hiveContext = new HiveContext(categoryProductCountsRDD.context());

                Dataset categoryProductCountDF = hiveContext.createDataFrame(
                        categoryProductCountRowRDD, structType);

                // 将60秒内的每个种类的每个商品的点击次数的数据，注册为一个临时表
                categoryProductCountDF.registerTempTable("product_click_log");

                // 执行SQL语句，针对临时表，统计出来每个种类下，点击次数排名前3的热门商品
                Dataset top3ProductDF = hiveContext.sql(
                        "SELECT category,product,click_count "
                                + "FROM ("
                                + "SELECT "
                                + "category,"
                                + "product,"
                                + "click_count,"
                                + "row_number() OVER (PARTITION BY category ORDER BY click_count DESC) rank "
                                + "FROM product_click_log"
                                + ") tmp "
                                + "WHERE rank<=3");

                // 这里说明一下，其实在企业场景中，可以不是打印的
                // 案例说，应该将数据保存到redis缓存、或者是mysql db中
                // 然后，应该配合一个J2EE系统，进行数据的展示和查询、图形报表

                top3ProductDF.show();
            }
        });


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