一、java版本
package cn.spark.study.streaming; import java.util.Arrays; import org.apache.spark.SparkConf; import org.apache.spark.api.java.function.FlatMapFunction; 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; /** * 实时wordcount程序 * @author Administrator * */ public class WordCount { public static void main(String[] args) throws Exception { // 创建SparkConf对象 // 但是这里有一点不同,我们是要给它设置一个Master属性,但是我们测试的时候使用local模式 // local后面必须跟一个方括号,里面填写一个数字,数字代表了,我们用几个线程来执行我们的 // Spark Streaming程序 SparkConf conf = new SparkConf() .setMaster("local[2]") .setAppName("WordCount"); // 创建JavaStreamingContext对象 // 该对象,就类似于Spark Core中的JavaSparkContext,就类似于Spark SQL中的SQLContext // 该对象除了接收SparkConf对象对象之外 // 还必须接收一个batch interval参数,就是说,每收集多长时间的数据,划分为一个batch,进行处理 // 这里设置一秒 JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(1)); // 首先,创建输入DStream,代表了一个从数据源(比如kafka、socket)来的持续不断的实时数据流 // 调用JavaStreamingContext的socketTextStream()方法,可以创建一个数据源为Socket网络端口的 // 数据流,JavaReceiverInputStream,代表了一个输入的DStream // socketTextStream()方法接收两个基本参数,第一个是监听哪个主机上的端口,第二个是监听哪个端口 JavaReceiverInputDStream<String> lines = jssc.socketTextStream("localhost", 9999); // 到这里为止,你可以理解为JavaReceiverInputDStream中的,每隔一秒,会有一个RDD,其中封装了 // 这一秒发送过来的数据 // RDD的元素类型为String,即一行一行的文本 // 所以,这里JavaReceiverInputStream的泛型类型<String>,其实就代表了它底层的RDD的泛型类型 // 开始对接收到的数据,执行计算,使用Spark Core提供的算子,执行应用在DStream中即可 // 在底层,实际上是会对DStream中的一个一个的RDD,执行我们应用在DStream上的算子 // 产生的新RDD,会作为新DStream中的RDD JavaDStream<String> words = lines.flatMap(new FlatMapFunction<String, String>() { private static final long serialVersionUID = 1L; @Override public Iterable<String> call(String line) throws Exception { return Arrays.asList(line.split(" ")); } }); // 这个时候,每秒的数据,一行一行的文本,就会被拆分为多个单词,words DStream中的RDD的元素类型 // 即为一个一个的单词 // 接着,开始进行flatMap、reduceByKey操作 // PairFunction<String, String, Integer> 第一个String是接受类型,后面的String Integer是返回类型 // JavaPairDStream<String, Integer>中的String Integer也是返回类型 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); } }); // 这里,正好说明一下,其实大家可以看到,用Spark Streaming开发程序,和Spark Core很相像 // 唯一不同的是Spark Core中的JavaRDD、JavaPairRDD,都变成了JavaDStream、JavaPairDStream JavaPairDStream<String, Integer> wordCounts = pairs.reduceByKey( new Function2<Integer, Integer, Integer>() { private static final long serialVersionUID = 1L; @Override public Integer call(Integer v1, Integer v2) throws Exception { return v1 + v2; } }); // 到此为止,我们就实现了实时的wordcount程序了 // 总结一下思路,加深一下印象 // 每秒钟发送到指定socket端口上的数据,都会被lines DStream接收到 // 然后lines DStream会把每秒的数据,也就是一行一行的文本,诸如hell world,封装为一个RDD // 然后呢,就会对每秒中对应的RDD,执行后续的一系列的算子操作 // 比如,对lins RDD执行了flatMap之后,得到一个words RDD,作为words DStream中的一个RDD // 以此类推,直到生成最后一个,wordCounts RDD,作为wordCounts DStream中的一个RDD // 此时,就得到了,每秒钟发送过来的数据的单词统计 // 但是,一定要注意,Spark Streaming的计算模型,就决定了,我们必须自己来进行中间缓存的控制 // 比如写入redis等缓存 // 它的计算模型跟Storm是完全不同的,storm是自己编写的一个一个的程序,运行在节点上,相当于一个 // 一个的对象,可以自己在对象中控制缓存 // 但是Spark本身是函数式编程的计算模型,所以,比如在words或pairs DStream中,没法在实例变量中 // 进行缓存 // 此时就只能将最后计算出的wordCounts中的一个一个的RDD,写入外部的缓存,或者持久化DB // 最后,每次计算完,都打印一下这一秒钟的单词计数情况 // 并休眠5秒钟,以便于我们测试和观察 Thread.sleep(5000); wordCounts.print(); // 首先对JavaSteamingContext进行一下后续处理 // 必须调用JavaStreamingContext的start()方法,整个Spark Streaming Application才会启动执行 // 否则是不会执行的 jssc.start();
//等待执行停止,执行过程中发生的任何异常将在此线程中抛出
jssc.awaitTermination();
jssc.close();
}
}
二、scala版本
package cn.spark.study.streaming import org.apache.spark.SparkConf import org.apache.spark.streaming.Seconds import org.apache.spark.streaming.StreamingContext /** * @author Administrator */ object WordCount { def main(args: Array[String]): Unit = { val conf = new SparkConf().setMaster("local[2]").setAppName("WordCount") val ssc = new StreamingContext(conf, Seconds(1)) val lines = ssc.socketTextStream("localhost", 9999) val words = lines.flatMap { _.split(" ") } val pairs = words.map { word => (word, 1) } val wordCounts = pairs.reduceByKey(_ + _) Thread.sleep(5000) wordCounts.print() ssc.start() ssc.awaitTermination() } }
三、StreamingContext详解
有两种创建StreamingContext的方式: val conf = new SparkConf().setAppName(appName).setMaster(master); val ssc = new StreamingContext(conf, Seconds(1)); StreamingContext,还可以使用已有的SparkContext来创建 val sc = new SparkContext(conf) val ssc = new StreamingContext(sc, Seconds(1)); appName,是用来在Spark UI上显示的应用名称。master,是一个Spark、Mesos或者Yarn集群的URL,或者是local[*]。 batch interval可以根据你的应用程序的延迟要求以及可用的集群资源情况来设置。 一个StreamingContext定义之后,必须做以下几件事情: 1、通过创建输入DStream来创建输入数据源。 2、通过对DStream定义transformation和output算子操作,来定义实时计算逻辑。 3、调用StreamingContext的start()方法,来开始实时处理数据。 4、调用StreamingContext的awaitTermination()方法,来等待应用程序的终止。可以使用CTRL+C手动停止,或者就是让它持续不断的运行进行计算。 5、也可以通过调用StreamingContext的stop()方法,来停止应用程序。 需要注意的要点: 1、只要一个StreamingContext启动之后,就不能再往其中添加任何计算逻辑了。比如执行start()方法之后,还给某个DStream执行一个算子。 2、一个StreamingContext停止之后,是肯定不能够重启的。调用stop()之后,不能再调用start() 3、一个JVM同时只能有一个StreamingContext启动。在你的应用程序中,不能创建两个StreamingContext。 4、调用stop()方法时,会同时停止内部的SparkContext,如果不希望如此,还希望后面继续使用SparkContext创建其他类型的Context, 比如SQLContext,那么就用stop(false)。 5、一个SparkContext可以创建多个StreamingContext,只要上一个先用stop(false)停止,再创建下一个即可。