基於HDFS的SparkStreaming案例實戰和內幕源碼解密
1、Spark Streaming on HDFS實戰
2、Spark Streaming on HDFS源碼解密
hadoop dfs -mkdir /library/SparkStreaming/CheckPoint_Data
remember 函數,把數據保存久一點
ackage 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.api.java.JavaStreamingContextFactory;
import scala.Tuple2;
public class SparkStreamingOnHDFS {
/**
* @param args
*/
public static void main(String[] args) {
// TODO Auto-generated method stub
//好處:1、checkpoint 2、工廠
final SparkConf conf = new SparkConf().setAppName("SparkStreamingOnHDFS").setMaster("hdfs://Master:7077/");
final String checkpointDirectory = "hdfs://Master:9000/library/SparkStreaming/CheckPoint_Data";
JavaStreamingContextFactory factory = new JavaStreamingContextFactory() {
public JavaStreamingContext create() {
// TODO Auto-generated method stub
return createContext(checkpointDirectory, conf);
}
};
/**
* 可以從失敗中恢復Driver,不過還需要指定Driver這個進程運行在Cluster,並且在提交應用程序的時候制定--supervise;
*/
JavaStreamingContext javassc = JavaStreamingContext.getOrCreate(checkpointDirectory, factory);
/**
* 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;
*/
//此處沒有Receiver,SparkStreaming應用程序只是按照時間間隔監控目錄下每個Batch新增的內容,並把新增的內容作爲RDD的數據來源生成原始RDD
JavaDStream<String> lines = javassc.textFileStream("hdfs://Master:9000/library/SparkStreaming/Data/");
/**
* 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<String, 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(String line) throws Exception {
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();
}
private static JavaStreamingContext createContext(String checkpointDirectory, SparkConf conf) {
// If you do not see this printed, that means the StreamingContext has been loaded
// from the new checkpoint
System.out.println("Creating new context");
// Create the context with a 5 second batch size
JavaStreamingContext ssc = new JavaStreamingContext(conf, Durations.seconds(5));
ssc.checkpoint(checkpointDirectory);
return ssc;
}
}