輸出操作允許DStream的操作推到如數據庫、文件系統等外部系統中。目前,定義了下面幾種輸出操作:
使用Spark SQL來查詢Spark Streaming處理的數據:
import org.apache.log4j.Logger
import org.apache.log4j.Level
import org.apache.spark.SparkConf
import org.apache.spark.streaming.StreamingContext
import org.apache.spark.streaming.Seconds
import org.apache.spark.storage.StorageLevel
import org.apache.spark.sql.SparkSession
object MyNetwordWordCountWithSQL {
def main(args: Array[String]): Unit = {
System.setProperty("hadoop.home.dir", "G:\\bin\\hadoop-2.5.2")
Logger.getLogger("org.apache.spark").setLevel(Level.ERROR)
Logger.getLogger("org.eclipse.jetty.server").setLevel(Level.OFF)
val conf = new SparkConf().setMaster("local[2]").setAppName("MyNetwordWordCountWithSQL")
val ssc = new StreamingContext(conf,Seconds(5))
val lines = ssc.socketTextStream("192.168.15.131",1234,StorageLevel.MEMORY_ONLY)
val words = lines.flatMap(_.split(" "))
//集成Spark SQL 使用SQL語句進行WordCount
words.foreachRDD( rdd => {
// 以前創建spark:
// val spark = SparkSession.builder().master("local").appName("SparkSQLDemo3").getOrCreate()
// 現在將master和appName封裝進conf
// 使用單例模式,創建SparkSession對象
// 必須使用當前的StreamingContext對應的SparkContext創建一個SparkSession。此外,必須這樣做的另一個原因是使得應用可以在driver程序故障時得以重新啓動,這是通過創建一個可以延遲實例化的單例SparkSession來實現的。
val spark = SparkSession.builder().config(rdd.sparkContext.getConf).getOrCreate()
import spark.implicits._
// 將RDD[String]轉換成DataFrame
val df1 = rdd.toDF("word")
df1.createOrReplaceTempView("words")
spark.sql("select word , count(1) from words group by word").show()
})
ssc.start()
ssc.awaitTermination()
}
}
問題:
報錯:Connection對象不是一個可被序列化的對象,不能RDD的每個Worker上運行;即:Connection不能在RDD分佈式環境中的每個分區上運行,因爲不同的分區可能運行在不同的Worker上。所以需要在每個RDD分區上單獨創建Connection對象。 應該改爲: