基于HDFS的SparkStreaming案例实战和内幕源码解密
1、Spark Streaming on HDFS实战
2、Spark Streaming on HDFS源码解密
hadoop dfs -mkdir /library/SparkStreaming/CheckPoint_Data
remember 函数,把数据保存久一点
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
//好处:1、checkpoint 2、工厂
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);
}
};
/**
* 可以从失败中恢复Driver,不过还需要指定Driver这个进程运行在Cluster,并且在提交应用程序的时候制定--supervise;
*/
JavaStreamingContext javassc = JavaStreamingContext.getOrCreate(checkpointDirectory, factory);
/**
* 第三步:创建Spark Streaming输入数据来源input Stream:
* 1、数据输入来源可以基于File、HDFS、Flume、Kafka、Socket等
* 2、在这里我们指定数据来源于网络Socket端口,Spark Streaming连接上该端口并在运行的时候一直监听该端口的数据
* (当然该端口服务首先必须存在),并且在后续会根据业务需要不断有数据产生(当然对于Spark Streaming
* 应用程序的运行而言,有无数据其处理流程都是一样的)
* 3、如果经常在每间隔5秒钟没有数据的话不断启动空的Job其实会造成调度资源的浪费,因为并没有数据需要发生计算;所以
* 实际的企业级生成环境的代码在具体提交Job前会判断是否有数据,如果没有的话就不再提交Job;
*/
//此处没有Receiver,SparkStreaming应用程序只是按照时间间隔监控目录下每个Batch新增的内容,并把新增的内容作为RDD的数据来源生成原始RDD
JavaDStream<String> lines = javassc.textFileStream("hdfs://Master:9000/library/SparkStreaming/Data/");
/**
* 第四步:接下来就像对于RDD编程一样基于DStream进行编程,原因是DStream是RDD产生的模板(或者说类),在Spark Streaming具体
* 发生计算前,其实质是把每个Batch的DStream的操作翻译成为对RDD的操作!
*
*/
JavaDStream<String> words = lines.flatMap(new FlatMapFunction<String, String>(){ //如果是Scala,由于SAM转换,所以可以写成val words = lines.flatMap(_.split(" "))
public Iterable<String> call(String line) throws Exception {
return Arrays.asList(line.split(" "));
}
});
/**
* 第4.2步:在单词拆分的基础上对每个单词实例计数为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:在单词实例计数为1基础上,统计每个单词在文件中出现的总次数
*/
JavaPairDStream<String, Integer> wordsCount = pairs.reduceByKey(new Function2<Integer, Integer, Integer>(){
//对相同的key,进行Value的累加(包括Local和Reducer级别同时Reduce)
public Integer call(Integer v1, Integer v2) throws Exception {
// TODO Auto-generated method stub
return v1 + v2;
}
});
/**
* 此处的print并不会直接触发Job的支持,因为现在的一切都是在Spark Streaming框架的控制之下的,对于SparkStreaming
* 而言,具体是否触发真正的Job运行是基于设置的Duration时间间隔的
*
* 注意,Spark Streaming应用程序要想执行具体的Job,对DStream就必须有ouptputstream操作
* outputstream有很多类型的函数触发,例如print,saveAsTextFile,saveAsHadoopFiles等,
* 其中最为重要的一个方法是foreachRDD,因为Spark Streaming处理的结果一般会放在Redis、DB、DashBoard
* 等上面,所以foreachRDD主要就是用来完成这些功能的,而且可以随意自定义具体数据到底放在哪里。
*/
wordsCount.print();
/**
* Spark Streaming 执行引擎也就是Driver开始运行,Driver启动的时候是位于一条新的线程中的,当然其内部有消息循环体,用于
* 接收应用程序本身或者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;
}
}