068 mapWithState函数的讲解

1.问题

　　主要是updateStateByKey的问题

　　有的值不需要变化的时候，还会再打印出来。

　　每个批次的数据都会出现，如果向redis保存更新的时候，会把不需要变化的值也更新，这个不是我们需要的，我们只需要更新有变化的那部分值。

　　

2.mapWithState

　　有一个注解，说明是实验性质的。

　　

3.程序

package com.stream.it
import org.apache.spark.rdd.RDD
import org.apache.spark.storage.StorageLevel
import org.apache.spark.streaming.dstream.DStream
import org.apache.spark.streaming.kafka.KafkaUtils
import org.apache.spark.streaming.{Seconds, State, StateSpec, StreamingContext}
import org.apache.spark.{HashPartitioner, SparkConf, SparkContext}

object MapWithState {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf()
      .setAppName("StreamingMapWithState")
      .setMaster("local[*]")
    val sc = SparkContext.getOrCreate(conf)
    val ssc = new StreamingContext(sc, Seconds(1))
    // 当调用updateStateByKey函数API的时候，必须给定checkpoint dir
    // 路径对应的文件夹不能存在
    ssc.checkpoint("hdfs://linux-hadoop01.ibeifeng.com:8020/beifeng/spark/streaming/chkdir45254")

    /**
      *
      * @param key    DStream的key数据类型
      * @param values DStream的value数据类型
      * @param state  是StreamingContext中之前该key的状态值
      * @return
      */
    def mappingFunction(key: String, values: Option[Int], state: State[Long]): (String, Long) = {
      // 获取之前状态的值
      val preStateValue = state.getOption().getOrElse(0L)
      // 计算出当前值
      val currentStateValue = preStateValue + values.getOrElse(0)

      // 更新状态值
      state.update(currentStateValue)

      // 返回结果
      (key, currentStateValue)
    }
    val spec = StateSpec.function[String, Int, Long, (String, Long)](mappingFunction _)

    val kafkaParams = Map(
      "group.id" -> "streaming-kafka-001231",
      "zookeeper.connect" -> "linux-hadoop01.ibeifeng.com:2181/kafka",
      "auto.offset.reset" -> "smallest"
    )
    val topics = Map("beifeng" -> 4) // topics中value是读取数据的线程数量，所以必须大于等于1
    val dstream = KafkaUtils.createStream[String, String, kafka.serializer.StringDecoder, kafka.serializer.StringDecoder](
      ssc, // 给定SparkStreaming上下文
      kafkaParams, // 给定连接kafka的参数信息 ===> 通过Kafka HighLevelConsumerAPI连接
      topics, // 给定读取对应topic的名称以及读取数据的线程数量
      StorageLevel.MEMORY_AND_DISK_2 // 指定数据接收器接收到kafka的数据后保存的存储级别
    ).map(_._2)

    val resultWordCount: DStream[(String, Long)] = dstream
      .filter(line => line.nonEmpty)
      .flatMap(line => line.split(" ").map((_, 1)))
      .reduceByKey(_ + _)
      .mapWithState(spec)

    resultWordCount.print() // 这个也是打印数据

    // 启动开始处理
    ssc.start()
    ssc.awaitTermination() // 等等结束，监控一个线程的中断操作
  }
}

4.效果

　　

　　在控制台上再写入一个hadoop：

　　　　说明了，在新写入的时候，才会出现，但是以前的数据还在。

　　

5.说明

　　因为存在checkpoint，在重新后，以前的数据还在，新加入数据后，会在原有的基础上进行更新，上面的第二幅图就是这样产生的。