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();
}
}