大數據IMF傳奇行動絕密課程第88課：SparkStreaming從Flume Poll數據案例實戰和內幕源碼解密

SparkStreaming從Flume Poll數據案例實戰和內幕源碼解密

1、Spark Steaming on polling from Flume實戰
2、Spark Steaming on polling from Flume源碼

第一步：
配置sink1：

agent1.sinks.sink1.type=org.apache.spark.streaming.flume.sink.SparkSink
agent1.sinks.sink1.hostname=Master
agent1.sinks.sink1.port=9999
agent1.sinks.sink1.channel=channel1

第二步：
將三個包拷貝到flume的classpath中/usr/local/flume/apache-flume-1.6.0-bin/lib

groupId = org.apache.spark
artifactId = spark-streaming-flume-sink_2.11
version = 2.1.0

groupId = org.scala-lang
artifactId = scala-library
version = 2.11.7

groupId = org.apache.commons
artifactId = commons-lang3
version = 3.5

第三步：寫代碼
將FlumeUtils.createStream改成FlumeUtils.createPollingStream

package com.tom.spark.SparkApps.sparkstreaming;

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 org.apache.spark.streaming.flume.FlumeUtils;
import org.apache.spark.streaming.flume.SparkFlumeEvent;

import scala.Tuple2;

public class SparkStreamingPollingDataFromFlume {

    public static void main(String[] args) {
        // TODO Auto-generated method stub
        /**
         * 第一步：配置SparkConf，
         * 1、至少2條線程：因爲Spark Streaming應用程序在運行的時候至少有一條
         * 線程用於不斷的循環接收數據，並且至少有一條線程用於處理接收的數據（否則的話無法有線程用
         * 於處理數據，隨着時間的推移，內存和磁盤都會不堪重負）
         * 2、對於集羣而言，每個Executor一般肯定不止一個Thread，那對於處理Spark Streaming
         * 應用程序而言，每個Executor一般分配多少Core比較合適？根據經驗，5個左右的Core是最佳的
         * （一個段子：分配爲奇數個Core表現最佳，例如3個、5個、7個Core等
         */
        SparkConf conf = new SparkConf().setMaster("local[4]").setAppName("SparkStreamingPollingDataFromFlume");
        /**
         * 第二步：創建Spark StreamingContext：
         * 1、這是SparkStreaming應用程序所有功能的起始點和程序調度的核心.
         * SparkStreamingContext的構建可以基於SparkConf參數，也可以基於持久化的SparkStreamingContext的
         * 內容來恢復過來（典型的場景是Driver崩潰後重新啓動，由於Spark Streaming具有連續7*24小時不間斷運行的特徵，
         * 所以需要在Driver重新啓動後繼續上一次的狀態，此時的狀態恢復需要基於曾經的Checkpoint）
         * 2、在一個Spark Streaming應用程序中可以創建若干個SparkStreamingContext對象，使用下一個SparkStreaming
         * 之前需要把前面正在運行的SparkStreamingContext對象關閉掉，由此，我們得出一個重大啓發，SparkStreaming框架也只是
         * Spark Core上的一個應用程序而已，只不過Spark Streaming框架想運行的話需要Spark工程師寫業務邏輯處理代碼
         */
        JavaStreamingContext javassc = new JavaStreamingContext(conf, Durations.seconds(5));

        /**
         * 第三步：創建Spark Streaming輸入數據來源input Stream:
         * 1、數據輸入來源可以基於File、HDFS、Flume、Kafka、Socket等
         * 2、在這裏我們指定數據來源於網絡Socket端口，Spark Streaming連接上該端口並在運行的時候一直監聽該端口的數據
         *      (當然該端口服務首先必須存在），並且在後續會根據業務需要不斷有數據產生（當然對於Spark Streaming
         *      應用程序的運行而言，有無數據其處理流程都是一樣的）
         * 3、如果經常在每間隔5秒鐘沒有數據的話不斷啓動空的Job其實會造成調度資源的浪費，因爲並沒有數據需要發生計算；所以
         *      實際的企業級生成環境的代碼在具體提交Job前會判斷是否有數據，如果沒有的話就不再提交Job；
         */

        JavaReceiverInputDStream<SparkFlumeEvent> lines = FlumeUtils.createPollingStream(javassc, "Master", 9999);

        /**
         * 第四步：接下來就像對於RDD編程一樣基於DStream進行編程，原因是DStream是RDD產生的模板（或者說類），在Spark Streaming具體
         * 發生計算前，其實質是把每個Batch的DStream的操作翻譯成爲對RDD的操作！
         * 
         */
        JavaDStream<String> words = lines.flatMap(new FlatMapFunction<SparkFlumeEvent, String>(){ //如果是Scala，由於SAM轉換，所以可以寫成val words = lines.flatMap(_.split(" ")) 

            public Iterable<String> call(SparkFlumeEvent event) throws Exception {
                String line = event.event().body.array().toString();            
                return Arrays.asList(line.split(" "));
            }
        });

        /**
         * 第4.2步：在單詞拆分的基礎上對每個單詞實例計數爲1，也就是word => (word, 1)
         */
        JavaPairDStream<String, Integer> pairs = words.mapToPair(new PairFunction<String, String, Integer>() {

            public Tuple2<String, Integer> call(String word) throws Exception {
                // TODO Auto-generated method stub
                return new Tuple2<String, Integer> (word, 1);
            }

        });
     /**
     * 第4.3步：在單詞實例計數爲1基礎上，統計每個單詞在文件中出現的總次數
     */
        JavaPairDStream<String, Integer> wordsCount = pairs.reduceByKey(new Function2<Integer, Integer, Integer>(){
            //對相同的key，進行Value的累加（包括Local和Reducer級別同時Reduce）
            public Integer call(Integer v1, Integer v2) throws Exception {
                // TODO Auto-generated method stub
                return v1 + v2;
            }

        });

        /**
         * 此處的print並不會直接觸發Job的支持，因爲現在的一切都是在Spark Streaming框架的控制之下的，對於SparkStreaming
         * 而言，具體是否觸發真正的Job運行是基於設置的Duration時間間隔的
         * 
         * 注意，Spark Streaming應用程序要想執行具體的Job，對DStream就必須有ouptputstream操作
         * outputstream有很多類型的函數觸發，例如print,saveAsTextFile,saveAsHadoopFiles等，
         * 其中最爲重要的一個方法是foreachRDD，因爲Spark Streaming處理的結果一般會放在Redis、DB、DashBoard
         * 等上面，所以foreachRDD主要就是用來完成這些功能的，而且可以隨意自定義具體數據到底放在哪裏。
         */
        wordsCount.print();

        /**
         * Spark Streaming 執行引擎也就是Driver開始運行，Driver啓動的時候是位於一條新的線程中的，當然其內部有消息循環體，用於
         * 接收應用程序本身或者Executor中的消息，
         */
        javassc.start();
        javassc.awaitTermination();
        javassc.close();
    }
}