13.window滑动窗口以及热点搜索词滑动统计案例实战

window滑动窗口

Spark Streaming提供了滑动窗口操作的支持，从而让我们可以对一个滑动窗口内的数据执行计算操作。每次掉落在窗口内的RDD的数据，会被聚合起来执行计算操作，然后生成的RDD，会作为window DStream的一个RDD。比如下图中，就是对每三秒钟的数据执行一次滑动窗口计算，这3秒内的3个RDD会被聚合起来进行处理，然后过了两秒钟，又会对最近三秒内的数据执行滑动窗口计算。所以每个滑动窗口操作，都必须指定两个参数，窗口长度以及滑动间隔，而且这两个参数值都必须是batch间隔的整数倍。（Spark Streaming对滑动窗口的支持，是比Storm更加完善和强大的）

Transform

意义

window

对每个滑动窗口的数据执行自定义的计算

countByWindow

对每个滑动窗口的数据执行count操作

reduceByWindow

对每个滑动窗口的数据执行reduce操作

reduceByKeyAndWindow

对每个滑动窗口的数据执行reduceByKey操作

countByValueAndWindow

对每个滑动窗口的数据执行countByValue操作

案例：热点搜索词滑动统计，每隔10秒钟，统计最近60秒钟的搜索词的搜索频次，并打印出排名最靠前的3个搜索词以及出现次数

 

java版本：

 

  1. package cn.spark.study.streaming;
  2.  
  3.  
  4. import java.util.List;
  5.  
  6.  
  7. import org.apache.spark.SparkConf;
  8. import org.apache.spark.api.java.JavaPairRDD;
  9. import org.apache.spark.api.java.function.Function;
  10. import org.apache.spark.api.java.function.Function2;
  11. import org.apache.spark.api.java.function.PairFunction;
  12. import org.apache.spark.streaming.Durations;
  13. import org.apache.spark.streaming.api.java.JavaDStream;
  14. import org.apache.spark.streaming.api.java.JavaPairDStream;
  15. import org.apache.spark.streaming.api.java.JavaReceiverInputDStream;
  16. import org.apache.spark.streaming.api.java.JavaStreamingContext;
  17.  
  18.  
  19. import scala.Tuple2;
  20.  
  21.  
  22. /**
  23.  * 基于滑动窗口的热点搜索词实时统计
  24.  * @author Administrator
  25.  *
  26.  */
  27. public class WindowHotWord {
  28. 	
  29. 	public static void main(String[] args) {
  30. 		SparkConf conf = new SparkConf()
  31. 				.setMaster("local[2]")
  32. 				.setAppName("WindowHotWord");  
  33. 		JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(1));
  34. 		
  35. 		// 说明一下，这里的搜索日志的格式
  36. 		// leo hello
  37. 		// tom world
  38. 		JavaReceiverInputDStream searchLogsDStream = jssc.socketTextStream("spark1", 9999);
  39. 		
  40. 		// 将搜索日志给转换成，只有一个搜索词，即可
  41. 		JavaDStream searchWordsDStream = searchLogsDStream.map(new Function() {
  42.  
  43.  
  44. 			private static final long serialVersionUID = 1L;
  45.  
  46.  
  47. 			@Override
  48. 			public String call(String searchLog) throws Exception {
  49. 				return searchLog.split(" ")[1];
  50. 			}
  51. 			
  52. 		});
  53. 		
  54. 		// 将搜索词映射为(searchWord, 1)的tuple格式
  55. 		JavaPairDStream searchWordPairDStream = searchWordsDStream.mapToPair(
  56. 				
  57. 				new PairFunction() {
  58.  
  59.  
  60. 					private static final long serialVersionUID = 1L;
  61.  
  62.  
  63. 					@Override
  64. 					public Tuple2 call(String searchWord)
  65. 							throws Exception {
  66. 						return new Tuple2(searchWord, 1);
  67. 					}
  68. 					
  69. 				});
  70. 		
  71. 		// 针对(searchWord, 1)的tuple格式的DStream，执行reduceByKeyAndWindow，滑动窗口操作
  72. 		// 第二个参数，是窗口长度，这里是60秒
  73. 		// 第三个参数，是滑动间隔，这里是10秒
  74. 		// 也就是说，每隔10秒钟，将最近60秒的数据，作为一个窗口，进行内部的RDD的聚合，然后统一对一个RDD进行后续
  75. 		// 计算
  76. 		// 所以说，这里的意思，就是，之前的searchWordPairDStream为止，其实，都是不会立即进行计算的
  77. 		// 而是只是放在那里
  78. 		// 然后，等待我们的滑动间隔到了以后，10秒钟到了，会将之前60秒的RDD，因为一个batch间隔是，5秒，所以之前
  79. 		// 60秒，就有12个RDD，给聚合起来，然后，统一执行redcueByKey操作
  80. 		// 所以这里的reduceByKeyAndWindow，是针对每个窗口执行计算的，而不是针对某个DStream中的RDD
  81. 		JavaPairDStream searchWordCountsDStream = 
  82. 				
  83. 				searchWordPairDStream.reduceByKeyAndWindow(new Function2() {
  84.  
  85.  
  86. 					private static final long serialVersionUID = 1L;
  87.  
  88.  
  89. 					@Override
  90. 					public Integer call(Integer v1, Integer v2) throws Exception {
  91. 						return v1 + v2;
  92. 					}
  93. 					
  94. 				}, Durations.seconds(60), Durations.seconds(10));
  95. 		
  96. 		// 到这里为止，就已经可以做到，每隔10秒钟，出来，之前60秒的收集到的单词的统计次数
  97. 		// 执行transform操作，因为，一个窗口，就是一个60秒钟的数据，会变成一个RDD，然后，对这一个RDD
  98. 		// 根据每个搜索词出现的频率进行排序，然后获取排名前3的热点搜索词
  99. 		JavaPairDStream finalDStream = searchWordCountsDStream.transformToPair(
  100. 				
  101. 				new Function, JavaPairRDD>() {
  102.  
  103.  
  104. 					private static final long serialVersionUID = 1L;
  105.  
  106.  
  107. 					@Override
  108. 					public JavaPairRDD call(
  109. 							JavaPairRDD searchWordCountsRDD) throws Exception {
  110. 						// 执行搜索词和出现频率的反转
  111. 						JavaPairRDD countSearchWordsRDD = searchWordCountsRDD
  112. 								.mapToPair(new PairFunction, Integer, String>() {
  113.  
  114.  
  115. 									private static final long serialVersionUID = 1L;
  116.  
  117.  
  118. 									@Override
  119. 									public Tuple2 call(
  120. 											Tuple2 tuple)
  121. 											throws Exception {
  122. 										return new Tuple2(tuple._2, tuple._1);
  123. 									}
  124. 								});
  125. 						
  126. 						// 然后执行降序排序
  127. 						JavaPairRDD sortedCountSearchWordsRDD = countSearchWordsRDD
  128. 								.sortByKey(false);
  129. 						
  130. 						// 然后再次执行反转，变成(searchWord, count)的这种格式
  131. 						JavaPairRDD sortedSearchWordCountsRDD = sortedCountSearchWordsRDD
  132. 								.mapToPair(new PairFunction, String, Integer>() {
  133.  
  134.  
  135. 									private static final long serialVersionUID = 1L;
  136.  
  137.  
  138. 									@Override
  139. 									public Tuple2 call(
  140. 											Tuple2 tuple)
  141. 											throws Exception {
  142. 										return new Tuple2(tuple._2, tuple._1);
  143. 									}
  144. 									
  145. 								});
  146. 						
  147. 						// 然后用take()，获取排名前3的热点搜索词
  148. 						List> hogSearchWordCounts = 
  149. 								sortedSearchWordCountsRDD.take(3);
  150. 						for(Tuple2 wordCount : hogSearchWordCounts) {
  151. 							System.out.println(wordCount._1 + ": " + wordCount._2);  
  152. 						}
  153. 						
  154. 						return searchWordCountsRDD;
  155. 					}
  156. 					  
  157. 				});
  158. 		
  159. 		// 这个无关紧要，只是为了触发job的执行，所以必须有output操作
  160. 		finalDStream.print();
  161. 		
  162. 		jssc.start();
  163. 		jssc.awaitTermination();
  164. 		jssc.close();
  165. 	}
  166. }


scala版本：

package cn.spark.study.streaming


import org.apache.spark.SparkConf
import org.apache.spark.streaming.StreamingContext
import org.apache.spark.streaming.Seconds


/**
 * @author Administrator
 */
object WindowHotWord {
  
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf()
        .setMaster("local[2]")  
        .setAppName("WindowHotWord")
    val ssc = new StreamingContext(conf, Seconds(1))
    
    val searchLogsDStream = ssc.socketTextStream("spark1", 9999)  
    val searchWordsDStream = searchLogsDStream.map { _.split(" ")(1) }  
    val searchWordPairsDStream = searchWordsDStream.map { searchWord => (searchWord, 1) }  
    val searchWordCountsDSteram = searchWordPairsDStream.reduceByKeyAndWindow(
        (v1: Int, v2: Int) => v1 + v2, 
        Seconds(60), 
        Seconds(10))  
        
    val finalDStream = searchWordCountsDSteram.transform(searchWordCountsRDD => {
      val countSearchWordsRDD = searchWordCountsRDD.map(tuple => (tuple._2, tuple._1))  
      val sortedCountSearchWordsRDD = countSearchWordsRDD.sortByKey(false)  
      val sortedSearchWordCountsRDD = sortedCountSearchWordsRDD.map(tuple => (tuple._1, tuple._2))
      
      val top3SearchWordCounts = sortedSearchWordCountsRDD.take(3)
      for(tuple <- top3SearchWordCounts) {
        println(tuple)
      }
      
      searchWordCountsRDD
    })
    
    finalDStream.print()
    
    ssc.start()
    ssc.awaitTermination()
  }
}


运行步骤：
1.启动nc 
nc -lk 9999
2.本地运行，直接在IDE中运行程序

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：

  1. Hadoop相关技术博客链接
  2. Spark 核心技术链接
  3. JAVA相关的深度技术博客链接
  4. 超全干货--Flink思维导图，花了3周左右编写、校对
  5. 深入JAVA 的JVM核心原理解决线上各种故障【附案例】
  6. 请谈谈你对volatile的理解？--最近小李子与面试官的一场“硬核较量”
  7. 聊聊RPC通信，经常被问到的一道面试题。源码+笔记，包懂

 

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！

                                           

       

 

注：本文转载自blog.csdn.net的不埋雷的探长的文章"https://blog.csdn.net/weixin_32265569/article/details/78571519"。版权归原作者所有，此博客不拥有其著作权，亦不承担相应法律责任。如有侵权，请联系我们删除。
复制链接
相关推荐
发表评论

评论记录：

未查询到任何数据！