推荐|4.Spark Streaming：实时wordcount程序开发

1、安装nc工具：yum install nc，然后运行nc -lk 9999

2、开发实时wordcount程序

java版本


package cn.spark.study.streaming;
 
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 scala.Tuple2;
 
/**
 * 实时wordcount程序
 * @author Administrator
 *
 */
public class WordCount {
public static void main(String[] args) throws Exception {
// 创建SparkConf对象
// 但是这里有一点不同，我们是要给它设置一个Master属性，但是我们测试的时候使用local模式
// local后面必须跟一个方括号，里面填写一个数字，数字代表了，我们用几个线程来执行我们的
// Spark Streaming程序
SparkConf conf = new SparkConf()
.setMaster("local[2]")
.setAppName("WordCount");  
// 创建JavaStreamingContext对象
// 该对象，就类似于Spark Core中的JavaSparkContext，就类似于Spark SQL中的SQLContext
// 该对象除了接收SparkConf对象对象之外
// 还必须接收一个batch interval参数，就是说，每收集多长时间的数据，划分为一个batch，进行处理
// 这里设置一秒
JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(1));
// 首先，创建输入DStream，代表了一个从数据源（比如kafka、socket）来的持续不断的实时数据流
// 调用JavaStreamingContext的socketTextStream()方法，可以创建一个数据源为Socket网络端口的
// 数据流，JavaReceiverInputStream，代表了一个输入的DStream
// socketTextStream()方法接收两个基本参数，第一个是监听哪个主机上的端口，第二个是监听哪个端口
JavaReceiverInputDStream lines = jssc.socketTextStream("localhost", 9999);
// 到这里为止，你可以理解为JavaReceiverInputDStream中的，每隔一秒，会有一个RDD，其中封装了
// 这一秒发送过来的数据
// RDD的元素类型为String，即一行一行的文本
// 所以，这里JavaReceiverInputStream的泛型类型，其实就代表了它底层的RDD的泛型类型
// 开始对接收到的数据，执行计算，使用Spark Core提供的算子，执行应用在DStream中即可
// 在底层，实际上是会对DStream中的一个一个的RDD，执行我们应用在DStream上的算子
// 产生的新RDD，会作为新DStream中的RDD
JavaDStream words = lines.flatMap(new FlatMapFunction() {
 
private static final long serialVersionUID = 1L;
 
@Override
public Iterable call(String line) throws Exception {
return Arrays.asList(line.split(" "));  
}
});
// 这个时候，每秒的数据，一行一行的文本，就会被拆分为多个单词，words DStream中的RDD的元素类型
// 即为一个一个的单词
// 接着，开始进行flatMap、reduceByKey操作
JavaPairDStream pairs = words.mapToPair(
new PairFunction() {
 
private static final long serialVersionUID = 1L;
 
@Override
public Tuple2 call(String word)
throws Exception {
return new Tuple2(word, 1);
}
});
// 这里，正好说明一下，其实大家可以看到，用Spark Streaming开发程序，和Spark Core很相像
// 唯一不同的是Spark Core中的JavaRDD、JavaPairRDD，都变成了JavaDStream、JavaPairDStream
JavaPairDStream wordCounts = pairs.reduceByKey(
new Function2() {
private static final long serialVersionUID = 1L;
 
@Override
public Integer call(Integer v1, Integer v2) throws Exception {
return v1 + v2;
}
});
// 到此为止，我们就实现了实时的wordcount程序了
// 大家总结一下思路，加深一下印象
// 每秒中发送到指定socket端口上的数据，都会被lines DStream接收到
// 然后lines DStream会把每秒的数据，也就是一行一行的文本，诸如hello world，封装为一个RDD
// 然后呢，就会对每秒中对应的RDD，执行后续的一系列的算子操作
// 比如，对lines RDD执行了flatMap之后，得到一个words RDD，作为words DStream中的一个RDD
// 以此类推，直到生成最后一个，wordCounts RDD，作为wordCounts DStream中的一个RDD
// 此时，就得到了，每秒钟发送过来的数据的单词统计
// 但是，一定要注意，Spark Streaming的计算模型，就决定了，我们必须自己来进行中间缓存的控制
// 比如写入redis等缓存
// 它的计算模型跟Storm是完全不同的，storm是自己编写的一个一个的程序，运行在节点上，相当于一个
// 一个的对象，可以自己在对象中控制缓存
// 但是Spark本身是函数式编程的计算模型，所以，比如在words或pairs DStream中，没法在实例变量中
// 进行缓存
// 此时就只能将最后计算出的wordCounts中的一个一个的RDD，写入外部的缓存，或者持久化DB
// 最后，每次计算完，都打印一下这一秒钟的单词计数情况
// 并休眠5秒钟，以便于我们测试和观察
try
{
Thread.sleep(5000);
} catch (Exception e) {
// TODO: handle exception
}
wordCounts.print();
// 首先对JavaSteamingContext进行一下后续处理
// 必须调用JavaStreamingContext的start()方法，整个Spark Streaming Application才会启动执行
// 否则是不会执行的
jssc.start();
jssc.awaitTermination();
jssc.close();
}
}

scala版本

package cn.spark.study.streaming
 
import org.apache.spark.SparkConf;
import org.apache.spark.streaming;
import org.apache.spark.streaming.Seconds;
import org.apache.spark.streaming.StreamingContext;
 
object WordCount {
  def main(args:Array[String])
  {
    val conf = new SparkConf()
      .setMaster("local[2]")
      .setAppName("WordCount")
    // Scala中，创建的是StreamingContext
    val ssc = new StreamingContext(conf, Seconds(1))
    
    val lines = ssc.socketTextStream("localhost", 9999)
    val words = lines.flatMap{ _.split(" ")}
    val pairs = words.map{ word => (word, 1)}
    val wordCounts = pairs.reduceByKey(_ + _)
    
    Thread.sleep(5000)
    wordCounts.print()
    
    ssc.start()
    ssc.awaitTermination()
  }
}

运行步骤：

打包，上传到linux中；编写spark-submit脚本；运行脚本；启动nc

运行结果：

文章最后，给大家推荐一些受欢迎的技术博客链接：

欢迎扫描下方的二维码或搜索公众号“10点进修”，我们会有更多、且及时的资料推送给您，欢迎多多交流！

评论记录：