本期內容:
1 在線動態計算分類最熱門商品案例回顧與演示
2 基於案例貫通Spark Streaming的運行源碼
一、案例代碼
在線動態計算電商中不同類別中最熱門的商品排名,例如:手機類別中最熱門的三種手機、電視類別中最熱門的三種電視等
package com.dt.spark.sparkstreaming
import org.apache.spark.SparkConf
import org.apache.spark.sql.Row
import org.apache.spark.sql.hive.HiveContext
import org.apache.spark.sql.types.{IntegerType, StringType, StructField, StructType}
import org.apache.spark.streaming.{Seconds, StreamingContext}
/**
* 使用Spark Streaming+Spark SQL來在線動態計算電商中不同類別中最熱門的商品排名,例如手機這個類別下面最熱門的三種手機、電視這個類別
* 下最熱門的三種電視,該實例在實際生產環境下具有非常重大的意義;
* @author DT大數據夢工廠
* 新浪微博:http://weibo.com/ilovepains/
* 實現技術:Spark Streaming+Spark SQL,之所以Spark Streaming能夠使用ML、sql、graphx等功能是因爲有foreachRDD和Transform
* 等接口,這些接口中其實是基於RDD進行操作,所以以RDD爲基石,就可以直接使用Spark其它所有的功能,就像直接調用API一樣簡單。
* 假設說這裏的數據的格式:user item category,例如Rocky Samsung Android
*/
object OnlineTheTop3ItemForEachCategory2DB {
def main(args: Array[String]){
/**
* 第1步:創建Spark的配置對象SparkConf,設置Spark程序的運行時的配置信息,
* 例如說通過setMaster來設置程序要鏈接的Spark集羣的Master的URL,如果設置
* 爲local,則代表Spark程序在本地運行,特別適合於機器配置條件非常差(例如
* 只有1G的內存)的初學者 *
*/
val conf = new SparkConf() //創建SparkConf對象
conf.setAppName("OnlineTheTop3ItemForEachCategory2DB") //設置應用程序的名稱,在程序運行的監控界面可以看到名稱
// conf.setMaster("spark://Master:7077") //此時,程序在Spark集羣
conf.setMaster("local[6]")
//設置batchDuration時間間隔來控制Job生成的頻率並且創建Spark Streaming執行的入口
val ssc = new StreamingContext(conf, Seconds(5))
ssc.checkpoint("/root/Documents/SparkApps/checkpoint")
val userClickLogsDStream = ssc.socketTextStream("Master", 9999)
val formattedUserClickLogsDStream = userClickLogsDStream.map(clickLog =>
(clickLog.split(" ")(2) + "_" + clickLog.split(" ")(1), 1))
// val categoryUserClickLogsDStream = formattedUserClickLogsDStream.reduceByKeyAndWindow((v1:Int, v2: Int) => v1 + v2,
// (v1:Int, v2: Int) => v1 - v2, Seconds(60), Seconds(20))
val categoryUserClickLogsDStream = formattedUserClickLogsDStream.reduceByKeyAndWindow(_+_,
_-_, Seconds(60), Seconds(20))
categoryUserClickLogsDStream.foreachRDD { rdd => {
if (rdd.isEmpty()) {
println("No data inputted!!!")
} else {
val categoryItemRow = rdd.map(reducedItem => {
val category = reducedItem._1.split("_")(0)
val item = reducedItem._1.split("_")(1)
val click_count = reducedItem._2
Row(category, item, click_count)
})
val structType = StructType(Array(
StructField("category", StringType, true),
StructField("item", StringType, true),
StructField("click_count", IntegerType, true)
))
val hiveContext = new HiveContext(rdd.context)
val categoryItemDF = hiveContext.createDataFrame(categoryItemRow, structType)
categoryItemDF.registerTempTable("categoryItemTable")
val reseltDataFram = hiveContext.sql("SELECT category,item,click_count FROM (SELECT category,item,click_count,row_number()" +
" OVER (PARTITION BY category ORDER BY click_count DESC) rank FROM categoryItemTable) subquery " +
" WHERE rank <= 3")
reseltDataFram.show()
val resultRowRDD = reseltDataFram.rdd
resultRowRDD.foreachPartition { partitionOfRecords => {
if (partitionOfRecords.isEmpty){
println("This RDD is not null but partition is null")
} else {
// ConnectionPool is a static, lazily initialized pool of connections
val connection = ConnectionPool.getConnection()
partitionOfRecords.foreach(record => {
val sql = "insert into categorytop3(category,item,client_count) values('" + record.getAs("category") + "','" +
record.getAs("item") + "'," + record.getAs("click_count") + ")"
val stmt = connection.createStatement();
stmt.executeUpdate(sql);
})
ConnectionPool.returnConnection(connection) // return to the pool for future reuse
}
}
}
}
}
}
/**
* 在StreamingContext調用start方法的內部其實是會啓動JobScheduler的Start方法,進行消息循環,在JobScheduler
* 的start內部會構造JobGenerator和ReceiverTacker,並且調用JobGenerator和ReceiverTacker的start方法:
* 1,JobGenerator啓動後會不斷的根據batchDuration生成一個個的Job
* 2,ReceiverTracker啓動後首先在Spark Cluster中啓動Receiver(其實是在Executor中先啓動ReceiverSupervisor),在Receiver收到
* 數據後會通過ReceiverSupervisor存儲到Executor並且把數據的Metadata信息發送給Driver中的ReceiverTracker,在ReceiverTracker
* 內部會通過ReceivedBlockTracker來管理接受到的元數據信息
* 每個BatchInterval會產生一個具體的Job,其實這裏的Job不是Spark Core中所指的Job,它只是基於DStreamGraph而生成的RDD
* 的DAG而已,從Java角度講,相當於Runnable接口實例,此時要想運行Job需要提交給JobScheduler,在JobScheduler中通過線程池的方式找到一個
* 單獨的線程來提交Job到集羣運行(其實是在線程中基於RDD的Action觸發真正的作業的運行),爲什麼使用線程池呢?
* 1,作業不斷生成,所以爲了提升效率,我們需要線程池;這和在Executor中通過線程池執行Task有異曲同工之妙;
* 2,有可能設置了Job的FAIR公平調度的方式,這個時候也需要多線程的支持;
*
*/
ssc.start()
ssc.awaitTermination()
}
}
main方法中將 SparkConf 作爲參數傳入 StreamingContext
StreamingContext構造函數中,調用createNewSparkContext
該方法創建一個SparkContext對象,說明SparkStreaming是Spark Core上的一個應用。
持久化操作checkpoint
ssc.checkpoint("/root/Documents/SparkApps/checkpoint")
創建SocketTextStream,以獲取輸入數據源
創建socketStream
SocketInputDStream繼承了ReceiverInputDStream類,它有getReceiver(),getStart(),getStop()方法
SockdetReceiver類中有 onStart,onStop,receiver 方法
創建SocketInputStream的receive方法來獲取數據源
數據輸出 :categoryUserClickLogsDStream.foreachRDD
Job作業生成
DStream中generatedRDDs,通過getOrCompute方法取得給定的時間的RDD數據
ssc.start(), 調用jobScheduler的start方法,其中也調用了receiverTracker.start() , jobGenerator.start(),此處略
最後經上海-丁立清同學同意,轉載以下流程圖,真的很棒!