一靡羡、Spark Streaming概述

Spark Streaming類似于Apache Storm农曲，用于流式數(shù)據(jù)的處理，具有高吞吐量和容錯能力強等特點鸦难。Spark Streaming支持的數(shù)據(jù)輸入源很多欧聘，例如：Kafka自沧、Flume、Twitter和簡單的TCP套接字等等，而結(jié)果也能保存在很多地方拇厢，比如HDFS、數(shù)據(jù)庫等晒喷。Spark Streaming使用離散化流作為抽象表示孝偎，叫做DStream。DStream是隨著時間推移而收到的數(shù)據(jù)的序列凉敲。在內(nèi)部衣盾，每個時間區(qū)間收到的數(shù)據(jù)都作為RDD存在，而DStream是由這些RDD所組成的序列爷抓。創(chuàng)建出來的DStream支持兩種操作势决，一種是轉(zhuǎn)化操作（transformation），會生成一個新的DStream蓝撇，另一種是輸出操作（output operation）果复，可以把數(shù)據(jù)寫入外部系統(tǒng)中。DStream提供了許多與RDD所支持的操作相類似的操作支持渤昌，還增加了與時間相關(guān)的新操作虽抄，比如滑動窗口。

二独柑、Spark Streaming和Storm的區(qū)別

區(qū)別

三迈窟、架構(gòu)與抽象

四、Spark Streaming解析

1淘捡、初始化StreamingContext

import org.apache.spark._
import org.apache.spark.streaming._
val conf=new SparkConf().setAppName(appName).setMaster(master)
val ssc=new StreamingContext(conf,Second(1))

初始化完Context之后：
1藕各、定義消息輸入源來創(chuàng)建DStreams.
2、定義DStreams的轉(zhuǎn)化操作和輸出操作焦除。
3激况、通過streamingContext.start()來啟動消息采集和處理。
4踢京、等待程序終止誉碴，可以通過streamingContext.awaitTermination()來設(shè)置
5、通過streamingContext.stop()來手動終止處理程序瓣距。
注意：
StreamingContext一旦啟動黔帕，對DStreams的操作就不能修改了。在同一時間一個JVM中只有一個StreamingContext可以啟動蹈丸，stop()方法將同時停止SparkContext成黄，可以傳入?yún)?shù)stopSparkContext用于停止StreamingContext。

2逻杖、什么是DStreams

Discretized Stream是Spark Streaming的基本抽象奋岁，代表持續(xù)性的數(shù)據(jù)流和經(jīng)過各種Spark原語操作后的結(jié)果數(shù)據(jù)流。在內(nèi)部實現(xiàn)上荸百，DStream是一系列連續(xù)的RDD來表示闻伶。每個RDD含有一段時間間隔內(nèi)的數(shù)據(jù)。對數(shù)據(jù)的操作也是按照RDD為單位來進行的够话。

3蓝翰、DStreams輸入

Spark Streaming原生支持一些不同的數(shù)據(jù)源。每個接收器都以Spark執(zhí)行程序中一個長期運行的任務(wù)的形式運行女嘲，因此會占據(jù)分配給應(yīng)用的CPU核心畜份。此外，我們還需要有可用的CPU核心來處理數(shù)據(jù)欣尼。這意味這如果要運行多個接收器爆雹，就必須至少有和接收器數(shù)目相同的核心數(shù)，還要加上用來完成計算所需的核心數(shù)。例如钙态，如果我們想要在流計算應(yīng)用中運行10個接收器慧起，那么至少需要為應(yīng)用分配11個CPU核心。所以如果在本地模式運行册倒，不要使用local或者local[1]完慧。

3.1基本數(shù)據(jù)源

3.1文件數(shù)據(jù)源

文件數(shù)據(jù)流：能夠讀取所有HDFS API兼容的文件系統(tǒng)文件，通過fileStream方法進行讀取

streamingContext.fileStream[KeyClass,ValueClass,InputFormatClass](dataDirectory)

Spark Streaming將會監(jiān)控dataDirectory目錄并不斷處理移動進來的文件剩失，記住目前不支持嵌套目錄。
1册着、文件需要有相同的數(shù)據(jù)格式
2拴孤、文件進入dataDirectory的方式需要通過移動或者重命名來實現(xiàn)
3、一旦文件移動進目錄甲捏，則不能修改演熟，即便修改了也不會讀取新數(shù)據(jù)。
如果文件比較簡單司顿，則可以使用streamingContext.textFileStream(dataDirectory)方法來讀取文件芒粹。文件流不需要接收器，不需要單獨分配CPU核大溜。

3.2 自定義數(shù)據(jù)源

通過繼承Receiver化漆，并實現(xiàn)onStart、onStop方法來自定義數(shù)據(jù)源采集钦奋∽疲可以通過streamingContext.receiverStream(<instance of custom receiver>)來使用自定義的數(shù)據(jù)采集源。

4付材、DStream轉(zhuǎn)換

DStream上的原語與RDD的類似朦拖，分為Transformations(轉(zhuǎn)換)和Output Operations(輸出)兩種，此外轉(zhuǎn)換操作中還有一些比較特殊的原語厌衔，比如：updateStateByKey()璧帝、transform()以及各種window相關(guān)的原語。
DStream的轉(zhuǎn)化操作可以分為無狀態(tài)(stateless)和有狀態(tài)(stateful)兩種：
(1)富寿、在無狀態(tài)轉(zhuǎn)化操作中睬隶，每個批次的處理不依賴于之前批次的數(shù)據(jù)。常見的RDD轉(zhuǎn)化操作作喘，例如map()理疙、filter()、reduceByKey()等泞坦，都是無狀態(tài)轉(zhuǎn)化操作窖贤；
(2)、有狀態(tài)操作需要使用之前批次的數(shù)據(jù)或者是中間結(jié)果來計算當(dāng)前批次的數(shù)據(jù)。有狀態(tài)轉(zhuǎn)化操作包括基于滑動窗口的轉(zhuǎn)化操作和追蹤狀態(tài)變化的轉(zhuǎn)化操作赃梧。

4.1 無狀態(tài)轉(zhuǎn)化操作

無狀態(tài)轉(zhuǎn)化操作就是把簡單的RDD轉(zhuǎn)化操作應(yīng)用到每個批次上滤蝠，也就是轉(zhuǎn)化DStream中的每一個RDD。注意授嘀，針對鍵值對的DStream轉(zhuǎn)化操作(比如reduceByKey())要添加import StreamingContext._才能在scala中使用物咳。

#這里列舉一下無狀態(tài)轉(zhuǎn)化操作的例子
1、def map[U: ClassTag](mapFunc: T => U): DStream[U] 將源DStream中的每個元素通過一個函數(shù)func從而得到新的DStreams蹄皱。
2览闰、def flatMap[U: ClassTag](flatMapFunc: T => TraversableOnce[U]): DStream[U] 和map類似，但是每個輸入的項可以被映射為0或更多項巷折。
3压鉴、def filter(filterFunc: T => Boolean): DStream[T] 選擇源DStream中函數(shù)func判為true的記錄作為新DStream
4、def repartition(numPartitions: Int): DStream[T]   通過創(chuàng)建更多或者更少的partition來改變此DStream的并行級別锻拘。
5油吭、def union(that: DStream[T]): DStream[T]  將一個具有相同slideDuration新的DStream和當(dāng)前DStream進行合并，返回新的DStream
6署拟、def count(): DStream[Long]  統(tǒng)計源DStreams中每個RDD所含元素的個數(shù)得到單元素RDD的新DStreams婉宰。
7、def reduce(reduceFunc: (T, T) => T): DStream[T]  通過函數(shù)func(兩個參數(shù)一個輸出)來整合源DStreams中每個RDD元素得到單元素RDD的DStream推穷。
8心包、def countByValue(numPartitions: Int = ssc.sc.defaultParallelism)(implicit ord: Ordering[T] = null): DStream[(T, Long)]   對于DStreams中元素類型為K調(diào)用此函數(shù)，得到包含(K,Long)對的新DStream缨恒，其中Long值表明相應(yīng)的K在源DStream中每個RDD出現(xiàn)的次數(shù)谴咸。
9、def reduceByKey(reduceFunc: (V, V) => V): DStream[(K, V)]  對(K,V)對的DStream調(diào)用此函數(shù)骗露，返回同樣（K,V)對的新DStream岭佳，但是新DStream中的對應(yīng)V為使用reduce函數(shù)整合而來
10、def join[W: ClassTag](other: DStream[(K, W)]): DStream[(K, (V, W))]  兩DStream分別為(K,V)和(K,W)對萧锉，返回(K,(V,W))對的新DStream珊随。
11、def cogroup[W: ClassTag](other: DStream[(K, W)]): DStream[(K, (Iterable[V], Iterable[W]))]  兩DStream分別為(K,V)和(K,W)對柿隙，返回(K,(Seq[V],Seq[W])對新DStream
12叶洞、def transform[U: ClassTag](transformFunc: RDD[T] => RDD[U]): DStream[U]  將RDD到RDD映射的函數(shù)func作用于源DStream中每個RDD上得到新DStream。這個可用于在DStream的RDD上做任意操作禀崖。注意的是衩辟，在這個轉(zhuǎn)換函數(shù)里面能夠應(yīng)用所有RDD的轉(zhuǎn)換操作。

4.2 有狀態(tài)轉(zhuǎn)換操作

1波附、def updateStateByKey[S: ClassTag]( updateFunc: (Seq[V], Option[S]) => Option[S] ): DStream[(K, S)]
           (1)艺晴、 S是你需要保存的狀態(tài)的類型昼钻。
           (2)、updateFunc 是定義了每一批次RDD如何來更新的狀態(tài)值封寞。 Seq[V] 是當(dāng)前批次相同key的值的集合然评。 Option[S] 是框架自動提供的，上一次保存的狀態(tài)的值狈究。
           (3)碗淌、updateStateByKey會返回一個新的DStream，該DStream中保存了（Key,State）的序列抖锥。
2亿眠、window 函數(shù)
           (1)、def window(windowDuration: Duration, slideDuration: Duration): DStream[T] 基于對源DStream窗化的批次進行計算返回一個新的DStream磅废，windowDuration是窗口大小缕探，slideDuration滑動步長。
           (2)还蹲、def countByWindow( windowDuration: Duration, slideDuration: Duration): DStream[Long]  注意，返回的是window中記錄的條數(shù)耙考。
           (3)谜喊、def reduceByWindow( reduceFunc: (T, T) => T, windowDuration: Duration, slideDuration: Duration): DStream[T]   通過使用自定義函數(shù)整合滑動區(qū)間流元素來創(chuàng)建一個新的單元素流。
           (4)倦始、 def reduceByKeyAndWindow(reduceFunc: (V, V) => V,windowDuration: Duration斗遏， slideDuration: Duration): DStream[(K, V)]   通過給定的窗口大小以滑動步長來應(yīng)用reduceFunc函數(shù)，返回DStream[(K, V)], K就是DStream中相應(yīng)的K鞋邑，V是window應(yīng)用了reduce之后產(chǎn)生的最終值诵次。
           (5)、def reduceByKeyAndWindow(reduceFunc: (V, V) => V,invReduceFunc: (V, V) => V,windowDuration: Duration,slideDuration: Duration = self.slideDuration,numPartitions: Int =ssc.sc.defaultParallelism,filterFunc: ((K, V)) => Boolean = null): DStream[(K, V)]

五枚碗、Spark Streaming應(yīng)用案例

這里我們使用spark streaming來編寫一個實時統(tǒng)計單詞的案例：

2遵堵、在pom.xml文件中添加一下依賴：

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>

    <groupId>com.sparkstreaming</groupId>
    <artifactId>sparkstreamingdemo</artifactId>
    <version>1.0-SNAPSHOT</version>

    <properties>
        <scala.version>2.11.8</scala.version>
        <spark.version>2.4.1</spark.version>
    </properties>
    <dependencies>
        <!--添加Scala依賴-->
        <dependency>
            <groupId>org.scala-lang</groupId>
            <artifactId>scala-library</artifactId>
            <version>2.11.8</version>
            <!--如果有provided存在，那么打包的時候該依賴不會打到j(luò)ar包中-->
            <scope>provided</scope>
        </dependency>
        <!--添加spark-core依賴-->
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.11</artifactId>
            <version>2.4.0</version>
            <scope>provided</scope>
        </dependency>
        <!--添加spark-streaming依賴-->
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-streaming_2.11</artifactId>
            <version>2.4.0</version>
            <scope>provided</scope>
        </dependency>
    </dependencies>
    <build>
        <plugins>
            <!--添加編譯支持怨规，都編譯成java1.8版本-->
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-compiler-plugin</artifactId>
                <version>3.6.1</version>
                <configuration>
                    <source>1.8</source>
                    <target>1.8</target>
                </configuration>
            </plugin>
            <!--添加Scala編譯的支持-->
            <plugin>
                <groupId>net.alchim31.maven</groupId>
                <artifactId>scala-maven-plugin</artifactId>
                <version>3.2.2</version>
                <executions>
                    <execution>
                        <goals>
                            <goal>compile</goal>
                            <goal>testCompile</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
            <!--添加打jar包的支持工具-->
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-assembly-plugin</artifactId>
                <version>3.0.0</version>
                <executions>
                    <!--在你應(yīng)用maven package這個階段的時候陌宿，該插件會啟動-->
                    <execution>
                        <id>make-assembly</id>
                        <phase>package</phase>
                        <goals>
                            <goal>single</goal>
                        </goals>
                    </execution>
                </executions>
                <configuration>
                    <archive>
                        <!--在你jar包中指定啟動類-->
                        <manifest>
                            <mainClass>com.SparkStreaming.WordCount</mainClass>
                        </manifest>
                    </archive>
                    <descriptorRefs>
                        <descriptorRef>jar-with-dependencies</descriptorRef>
                    </descriptorRefs>
                </configuration>
            </plugin>
        </plugins>
    </build>
</project>

3、編寫Scala文件

接下來編寫scala代碼波丰，每一行都有注釋壳坪，可以仔細(xì)看一下：

package com.SparkStreaming

import org.apache.spark.SparkConf
import org.apache.spark.streaming.{Seconds, StreamingContext}

object WordCount extends App{
  //需要新建一個sparkConf變量，來提供spark的配置
  val sparkConf=new SparkConf().setAppName("StreamWordCount").setMaster("local[2]")

  //新建一個StreamingContext入口
  val ssc=new StreamingContext(sparkConf,Seconds(2))

  //從master機器上的9999端口不斷的獲取輸入的文本數(shù)據(jù)
  val lines=ssc.socketTextStream("master",9999)

  //將每行文本通過空格分割多個單詞
  val words=lines.flatMap(_.split(" "))

  //將每一個單詞裝換成一個元組
  val pairs=words.map((_,1))

  //根據(jù)單詞來統(tǒng)計相同單詞的數(shù)量
  val result=pairs.reduceByKey(_+_)

  //打印結(jié)果
  result.print()

  //啟動你的流式處理程序
  ssc.start()

  //等待你的停止信號
  ssc.awaitTermination()

}

nc -lk 9999
//或者(注意這里的l不是1是小寫的L)
nc -l -p 9999

./spark-submit --class com.SparkStreaming.WordCount  /root/Pro-jar/sparkstreamingdemo-1.0-SNAPSHOT-jar-with-dependencies.jar

案例到這里就結(jié)束了。
這里主要是淺顯的講解了一下Spark Streaming徙歼，后期還會擴展犁河。