Spark Streaming 實現數據實時統計案例

Spark 是一個基于內存式的分布式計算框架。具有高性能，高效可擴展，容錯等優點。

今天講解一下spark的流計算，其實它也不完全是實時的流計算，算是一種準實時的流計算。

上圖講解

運行環境:需要linux環境下的spark環境

本例用的centOS 6.5x64 因為需要使用TCP協議傳輸數據，所以需要安裝一個nc插件。

安裝方式: yum  install ncxxx 或者掛載光盤安裝

安裝后啟動nc -lk 9999 端口可以隨便指定，最好是1024以上的就可以。

下面貼出代碼

java版本的

import java.util.Arrays;
import java.util.List;
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 com.google.common.base.Optional;

import scala.Tuple2;
public class SparkDemo {
	public static void main(String[] args) {
		SparkConf conf=new SparkConf().setAppName("sparkDemo2").setMaster("local[3]");
		JavaStreamingContext jsc=new JavaStreamingContext(conf,Durations.seconds(5));
		//使用帶狀態的算子，需要checkpoint做容錯處理
		jsc.checkpoint("D://chkspark");
		JavaReceiverInputDStream<String> socketTextStream=jsc.socketTextStream("10.115.27.234", 1000);
		JavaDStream<String> wordsDstream=socketTextStream.flatMap(new FlatMapFunction<String, String>() {

			private static final long serialVersionUID=1L;
			public Iterable<String> call(String line) throws Exception {
					return Arrays.asList(line.split(" "));
			}
			});
		JavaPairDStream<String, Integer> wordsToPairDstream=wordsDstream.mapToPair(new PairFunction<String, String,Integer>() {

			private static final long SerialVersionUID=1L;
			public Tuple2<String, Integer> call(String word) throws Exception {
				
				return new Tuple2<String, Integer>(word, 1);
			}
		});
		/**
		 * 一個batch對應一個RDD。 
		 * */ 
		JavaPairDStream<String, Integer> resultDstream=wordsToPairDstream.updateStateByKey(new Function2<List<Integer>, Optional<Integer>, Optional<Integer>>() {

			private static final long serialVersionUID=1L;
			public Optional<Integer> call(List<Integer> values, Optional<Integer> state) throws Exception {
				Integer oldValue=0;   //默認舊value是0
				if (state.isPresent()) {
					oldValue=state.get();
				}
				for (Integer value:values) {
					oldValue+=value;
				}
				return Optional.of(oldValue);
			}
		});
		//打印結果
		resultDstream.print();
		jsc.start();
		jsc.awaitTermination();
	}
}

程序測試: 從linux端的nc 下輸入任意字符串，spark streaming會實時對輸入的數據做出統計。類似于wordcount. 除非手動kill這個進程，否則會一直運行下去。因為它的原理就是和自來水的水流一樣，是一連串的數據流。

運行結果展示:

也可以用scala寫出同樣的程序，代碼量更少。

需要深入理解spark streaming的架構原理。