SparkStreaming的实战案例

发布时间：2020-07-07 19:45:48 来源：网络阅读：2312 作者：原生zzy 栏目：大数据

废话不多说，直接上干货！！！
相关依赖：

  <properties>
    <project.build.sourceEncoding>UTF8</project.build.sourceEncoding>
    <maven.compiler.source>1.8</maven.compiler.source>
    <maven.compiler.target>1.8</maven.compiler.target>
    <encoding>UTF-8</encoding>
    <scala.version>2.11.8</scala.version>
    <spark.version>2.3.2</spark.version>
    <hadoop.version>2.7.6</hadoop.version>
    <scala.compat.version>2.11</scala.compat.version>
  </properties>
      <dependencies>
    <dependency>
      <groupId>org.scala-lang</groupId>
      <artifactId>scala-library</artifactId>
      <version>${scala.version}</version>
    </dependency>
    <dependency>
      <groupId>org.apache.spark</groupId>
      <artifactId>spark-core_2.11</artifactId>
      <version>${spark.version}</version>
    </dependency>
    <dependency>
      <groupId>org.apache.spark</groupId>
      <artifactId>spark-sql_2.11</artifactId>
      <version>${spark.version}</version>
    </dependency>
    <!-- sparkStreaming -->
    <!-- https://mvnrepository.com/artifact/org.apache.spark/spark-streaming -->
    <dependency>
      <groupId>org.apache.spark</groupId>
      <artifactId>spark-streaming_2.11</artifactId>
      <version>${spark.version}</version>
    </dependency>
    <dependency>
      <groupId>org.apache.spark</groupId>
      <artifactId>spark-streaming-kafka-0-8_2.11</artifactId>
      <version>${spark.version}</version>
    </dependency>
    <!-- https://mvnrepository.com/artifact/org.scalikejdbc/scalikejdbc -->
    <dependency>
      <groupId>org.scalikejdbc</groupId>
      <artifactId>scalikejdbc_2.11</artifactId>
      <version>3.2.0</version>
    </dependency>
    <dependency>
      <groupId>org.apache.curator</groupId>
      <artifactId>curator-recipes</artifactId>
      <version>2.8.0</version>
    </dependency>
    <dependency>
      <groupId>junit</groupId>
      <artifactId>junit</artifactId>
      <version>4.12</version>
      <scope>compile</scope>
    </dependency>
  </dependencies>

（1）spark streaminging无状态计算的WordCount

编程架构：
SparkStreaming的实战案例
在某个节点上中启动nc -lk 9999，然后用作数据源。编写程序实现网络的wordcount。
代码实现：

object NetWordCount {
    /**
      * 编程套路：
      * 1.获取编程入口，StreamingContext
      * 2.通过StreamingContext构建第一个DStream
      * 3.对DStream进行各种的transformation操作
      * 4.对于数据结果进行output操作
      * 5.提交sparkStreaming应用程序
      */
    def main(args: Array[String]): Unit = {
        //屏蔽日志
        Logger.getLogger("org.apache.hadoop").setLevel(Level.ERROR)
        Logger.getLogger("org.apache.zookeeper").setLevel(Level.WARN)
        Logger.getLogger("org.apache.hive").setLevel(Level.WARN)

        //1.获取编程入口，StreamingContext
       val conf= new SparkConf().setMaster("local[2]")
            .setAppName("NetWordCount")
        //第二个参数，表示批处理时长
        val ssc=new StreamingContext(conf,Seconds(2))

        /**
          * 2.通过StreamingContext构建第一个DStream（通过网络去读数据）
          * 第一个参数：主机名
          * 第二个参数：端口号
          */
        val ReceiverInputDStream: ReceiverInputDStream[String] = ssc.socketTextStream("test",9999)

        //3.对DStream进行各种的transformation操作
        val wordDS: DStream[String] = ReceiverInputDStream.flatMap(msg => {
            msg.split("\\s+")
        })
        val wordCountDS: DStream[(String, Int)] = wordDS.map(word=>(word,1)).reduceByKey(_+_)
        //4.对于数据结果进行output操作,这里是打印输出
        wordCountDS.print()
        //5.提交sparkStreaming应用程序
        ssc.start()
        ssc.awaitTermination()
    }
}

使用nc -lk 9999在相应的节点上发出消息（每隔一个批处理时间发送一次），查看控制台打印：
batch2
SparkStreaming的实战案例
batch3

结果发现：由于现在的操作时无状态的，所以每隔2s处理一次，但是每次的单词数不会统计，也就是说，只会统计当前批处理的单词，之前输入的则不会统计。

（2）spark streaminging有状态计算的WordCount

同样是wordCounte，这次要实现的效果是：到现在为止，统计过去时间段内的所有单词的个数。
代码：

object UpdateStateBykeyWordCount {
    /**
      * 编程套路：
      * 1.获取编程入口，StreamingContext
      * 2.通过StreamingContext构建第一个DStream
      * 3.对DStream进行各种的transformation操作
      * 4.对于数据结果进行output操作
      * 5.提交sparkStreaming应用程序
      */
    def main(args: Array[String]): Unit = {
        //屏蔽日志
        Logger.getLogger("org.apache.hadoop").setLevel(Level.ERROR)
        Logger.getLogger("org.apache.zookeeper").setLevel(Level.WARN)
        Logger.getLogger("org.apache.hive").setLevel(Level.WARN)

        //1.获取编程入口，StreamingContext
        val conf = new SparkConf().setMaster("local[2]")
            .setAppName("NetWordCount")
        //第二个参数，表示批处理时长
        val ssc = new StreamingContext(conf, Seconds(2))
        ssc.checkpoint("C:\\z_data\\checkPoint\\checkPoint_1")
        /**
          * 2.通过StreamingContext构建第一个DStream（通过网络去读数据）
          * 第一个参数：主机名
          * 第二个参数：端口号
          */
        val ReceiverInputDStream: ReceiverInputDStream[String] = ssc.socketTextStream("test", 9999)

        //3.对DStream进行各种的transformation操作
        val wordDS: DStream[(String,Int)] = ReceiverInputDStream.flatMap(msg => {
            msg.split("\\s+")
        }).map(word=>(word,1))
        /**
          * updateStateByKey是状态更新函数，
          * updateFunc: (Seq[V], Option[S]) => Option[S]
          * (U,C)=>C
          * values:Seq[Int],state:Option[Int]==>Option[Int]
 *
          * @param values :新值
          * @param state ：状态值
          * @return
          */
        val updateDS: DStream[(String, Int)] = wordDS.updateStateByKey((values: Seq[Int], state: Option[Int]) => {
            Option(values.sum + state.getOrElse(0))
        })
        //4.对于数据结果进行output操作,这里是打印输出
        updateDS.print()
        //5.提交sparkStreaming应用程序
        ssc.start()
        ssc.awaitTermination()
    }
}

使用 nc -kl 9999：
SparkStreaming的实战案例
观察控制台：
batch2

batch3

发现：两次批处理的结果，进行了聚合，也就是所谓的有状态的计算。
注意：
ssc.checkpoint("C:\\z_data\\checkPoint\\checkPoint_1")
上面这句代码一定要加，他会将上一次的批处理计算的结果保存起来，如果不加：
错误：requirement failed: The checkpoint directory has not been set. Please set it by StreamingContext.checkpoint().

（2）spark streaminging的HA

在上述的updateStateByKey代码中如果当前程序运行异常时，会丢失数据（重启之后，找不回原来计算的数据），因为编程入口StreamingContext在代码重新运行的时候，是重新生成的，为了使程序在异常退出的时候，在下次启动的时候，依然可以获得上一次的StreamingContext对象，保证计算数据不丢失，此时就需要将StreamingContext对象存储在持久化的系统中。也就是说需要制作StreamingContext对象的HA。
代码：

object WC_DriverHA {
    def main(args: Array[String]): Unit = {
        //屏蔽日志
        Logger.getLogger("org.apache.hadoop").setLevel(Level.ERROR)
        Logger.getLogger("org.apache.zookeeper").setLevel(Level.WARN)
        Logger.getLogger("org.apache.hive").setLevel(Level.WARN)
        /**
          * StreamingContext.getOrCreate()
          * 第一个参数：checkpointPath,和下面方法中的checkpointPath目录一致
          * 第二个参数：creatingFunc: () => StreamingContext：用于创建StreamingContext对象
          * 最终使用StreamingContext.getOrCreate()可以实现StreamingContext对象的HA，保证在程序重新运行的时候，之前状态仍然可以恢复
          */

       val ssc= StreamingContext.getActiveOrCreate("C:\\z_data\\checkPoint\\checkPoint_HA",functionToCreateContext)
        ssc.start()
        ssc.awaitTermination()
    }
    def functionToCreateContext():StreamingContext={
        //1.获取编程入口，StreamingContext
        val conf = new SparkConf().setMaster("local[2]")
            .setAppName("NetWordCount")
        //第二个参数，表示批处理时长
        val ssc = new StreamingContext(conf, Seconds(2))
        ssc.checkpoint("C:\\z_data\\checkPoint\\checkPoint_HA")
        /**
          * 2.通过StreamingContext构建第一个DStream（通过网络去读数据）
          * 第一个参数：主机名
          * 第二个参数：端口号
          */
        val ReceiverInputDStream: ReceiverInputDStream[String] = ssc.socketTextStream("test", 9999)

        //3.对DStream进行各种的transformation操作
        val wordDS: DStream[(String,Int)] = ReceiverInputDStream.flatMap(msg => {
            msg.split("\\s+")
        }).map(word=>(word,1))
        val updateDS: DStream[(String, Int)] = wordDS.updateStateByKey((values: Seq[Int], state: Option[Int]) => {
            Option(values.sum + state.getOrElse(0))
        })
        //4.对于数据结果进行output操作,这里是打印输出
        updateDS.print()
        //5.提交sparkStreaming应用程序
        ssc.start()
        ssc.awaitTermination()
        ssc
    }
}

测试：
- 先正常运行一段时间，计算出结果
- 停止程序
- 再次启动
- 验证再次启动的程序，是否能够拿回停止前计算得到的结果
原理：
如果是第一次执行，那么在在这个checkpointDriectory目录中是不存在streamingContext对象的，所以要创建，第二次运行的时候，就不会在创建，则是从checkpointDriectory目录中读取进行恢复。
注意：
正常情况下，使用这种方式的HA，只能持久状态数据到持久化的文件中，默认情况是不会持久化StreamingContext对象到CheckPointDriectory中的。

（3）对checkpoint的总结：

1)checkpoint的介绍：

从故障中恢复checkpoint中有两种类型
- Metadata checkpointing：driver节点中的元数据信息
- Configuration：用于创建流式应用程序的配置
- DStream：定义streaming程序的DStream操作
- Incomplete batches：批量的job排队但尚未完成。（程序上次运行到的位置）
- Data checkpointing：将生成的RDD保存到可靠的存储
- 计算之后生成的RDD
- 在receiver接收到数据，转化的RDD

2)checkpoint的启动时机：

- 从运行应用程序的driver的故障中恢复-元数据，（driver的HA）
- 使用有状态计算的时候启动checkPoint：updateStateByKey或者reduceByKeyAndWindow…

3)checkpoint的配置：

- 有状态计算的时候：
ssc.checkpoint("C:\\z_data\\checkpoint")
- driver的HA的时候：

ssc.checkpoint("C:\\z_data\\checkpoint")
ssc =StreamingContext.getOrCreate("C:\\z_data\\checkpoint"
,functionToCreateContext)

（4）Spark Streaming 的 transform 操作

在使用transform操作的时候介绍两个重要的概念：
黑名单：如果允许的操作比不允许的操作多，那么将不允许的操作加入黑名单
白名单：如果允许的操作比不允许的操作少，那么将允许的操作加入白名单
代码：

object _1Streaming_tranform {
    def main(args: Array[String]): Unit = {
        //定义黑名单
        val black_list=List("@","#","$","%")
        Logger.getLogger("org.apache.hadoop").setLevel(Level.ERROR)
        Logger.getLogger("org.apache.zookeeper").setLevel(Level.WARN)
        Logger.getLogger("org.apache.hive").setLevel(Level.WARN)
        //1.获取编程入口，StreamingContext
        val conf = new SparkConf().setMaster("local[2]").setAppName("_1Streaming_tranform")
        val ssc=new StreamingContext(conf,Seconds(2))
        //2.从对应的网络端口读取数据
        val inputDStream: ReceiverInputDStream[String] = ssc.socketTextStream("test",9999)
        //2.1将黑名单广播出去
        val bc = ssc.sparkContext.broadcast(black_list)
        //2.2设置checkpoint
        ssc.checkpoint("C:\\z_data\\checkPoint\\checkPoint_1")
        //3业务处理
        val wordDStream: DStream[String] = inputDStream.flatMap(_.split(" "))
        //transform方法表示：从DStream拿出来一个RDD，经过transformsFunc计算之后，返回一个新的RDD
        val fileterdDStream: DStream[String] = wordDStream.transform(rdd=>{
            //过滤掉黑名单中的数据
            val blackList: List[String] = bc.value
            rdd.filter(word=>{
                !blackList.contains(word)
            })
        })
        //3.2统计相应的单词数
        val resultDStream = fileterdDStream.map(msg => (msg, 1))
            .updateStateByKey((values: Seq[Int], stats: Option[Int]) => {
                Option(values.sum + stats.getOrElse(0))
            })
        //4打印output
        resultDStream.print()
        //5.开启streaming流
        ssc.start()
        ssc.awaitTermination()
    }
}

黑名单中的数据会被过滤：
SparkStreaming的实战案例

（5）Spark Streaming 的 window 操作

SparkStreaming的实战案例
注意：
在做window操作时：
- 窗口覆盖的数据流的时间长度，必须是批处理时间间隔的倍数
- 前一个窗口到后一个窗口所经过的时间长度，必须是批处理时间间隔的倍数。
伪代码：

 //1.获取编程入口，StreamingContext
    val conf = new SparkConf().setMaster("local[2]").setAppName("WordCount_Window")
    val ssc=new StreamingContext(conf,Seconds(batchInvail.toLong))
    //2.从对应的网络端口读取数据
    val inputDStream: ReceiverInputDStream[String] = ssc.socketTextStream(hostname,port.toInt)
    val lineDStream: DStream[String] = inputDStream.flatMap(_.split(" "))
    val wordDStream: DStream[(String, Int)] = lineDStream.map((_,1))

    /**
      * 每隔4秒，算过去6秒的数据
      * reduceFunc:数据合并的函数
      * windowDuration：窗口的大小（过去6秒的数据）
      * slideDuration：窗口滑动的时间（每隔4秒）
      */
    val resultDStream: DStream[(String, Int)] = wordDStream.reduceByKeyAndWindow((kv1:Int, kv2:Int)=>kv1+kv2,
      Seconds(batchInvail.toLong * 3),
      Seconds(batchInvail.toLong * 2))
    resultDStream.print()

    ssc.start()
    ssc.awaitTermination()

（6）Spark Streaming 的ForeachRDD 操作

概念：

foreach：遍历一个分布式集合（rdd）中的每一个元素
foreachPartition：遍历一个分布式集合（rdd）中的每一个分区

foreachRDD：遍历一个分布式集合（DStream）中的每一个RDD
这个算子用的好，通常程序的性能会提升很多。
伪代码：

//这个方法表示遍历DStream中的每一个rdd
    windowDS.foreachRDD(rdd=>{
        if(!rdd.isEmpty()){
            rdd.mapPartitions(ptn=>{
                if(!ptn.isEmpty){
                    ptn.foreach(msg=>{
                        //在这里做相应的操作
                    })
                }
            })
        }
    })

向AI问一下细节