本帖最后由 我是楠楠 于 2018-8-13 15:46 编辑
【郑州校区】spark笔记之DStream操作实战
5.1 SparkStreaming接受socket数据，实现单词计数WordCount
5.1.1 架构图5.1.2 实现流程（1）安装并启动生产者 首先在linux服务器上用YUM安装nc工具，nc命令是netcat命令的简称,它是用来设置路由器。我们可以利用它向某个端口发送数据。 yum install -y nc （2）通过netcat工具向指定的端口发送数据 nc -lk 9999 （3）编写Spark Streaming程序 [AppleScript] 纯文本查看 复制代码 package cn.test.spark[/align]
import org.apache.spark.streaming.dstream.{DStream, ReceiverInputDStream}
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.{SparkConf, SparkContext}
/**
* sparkStreming流式处理接受socket数据，实现单词统计
*/
object SparkStreamingTCP {
def main(args: Array[String]): Unit = {
//配置sparkConf参数
val sparkConf: SparkConf = new SparkConf().setAppName("SparkStreamingTCP").setMaster("local[2]")
//构建sparkContext对象
val sc: SparkContext = new SparkContext(sparkConf)
//设置日志输出级别
sc.setLogLevel("WARN")
//构建StreamingContext对象，每个批处理的时间间隔
val scc: StreamingContext = new StreamingContext(sc,Seconds(5))
//注册一个监听的IP地址和端口 用来收集数据
val lines: ReceiverInputDStream[String] = scc.socketTextStream("192.168.200.160",9999)
//切分每一行记录
val words: DStream[String] = lines.flatMap(_.split(" "))
//每个单词记为1
val wordAndOne: DStream[(String, Int)] = words.map((_,1))
//分组聚合
val result: DStream[(String, Int)] = wordAndOne.reduceByKey(_+_)
//打印数据
result.print()
scc.start()
scc.awaitTermination()
}
}由于使用的是本地模式"local[2]"所以可以直接在本地运行该程序 注意：要指定并行度，如在本地运行设置setMaster("local[2]")，相当于启动两个线程，一个给receiver，一个给computer。如果是在集群中运行，必须要求集群中可用core数大于1。 5.1.3 执行查看效果（1）先执行nc -lk 9999 （2）然后在执行以上代码 （3）不断的在（1）中输入不同的单词，观察IDEA控制台输出 现象：sparkStreaming每隔5s计算一次当前5s内的数据，然后将每个批次的数据输出。 5.2 SparkStreaming接受socket数据，实现所有批次单词计数结果累加在上面的那个案例中存在这样一个问题：每个批次的单词次数都被正确的统计出来，但是结果不能累加！如果将所有批次的结果数据进行累加使用 updateStateByKey(func)来更新状态. 5.2.1 架构图5.2.2 实现流程（2）安装并启动生成者 首先在linux服务器上用YUM安装nc工具，nc命令是netcat命令的简称,都是用来设置路由器。我们可以利用它向某个端口发送数据。 yum install -y nc （2）启动一个服务端并监听9999端口 nc-lk 9999 向指定的端口发送数据 （3）编写Spark Streaming程序 [AppleScript] 纯文本查看 复制代码 package cn.test.spark[/align]
import org.apache.spark.streaming.dstream.{DStream, ReceiverInputDStream}
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.{SparkConf, SparkContext}
/**
* sparkStreaming流式处理，接受socket数据，实现单词统计并且每个批次数据结果累加
*/
object SparkStreamingTCPTotal {
//newValues 表示当前批次汇总成的(word,1)中相同单词的所有的1
//runningCount 历史的所有相同key的value总和
def updateFunction(newValues: Seq[Int], runningCount: Option[Int]): Option[Int] = {
val newCount =runningCount.getOrElse(0)+newValues.sum
Some(newCount)
}
def main(args: Array[String]): Unit = {
//配置sparkConf参数
val sparkConf: SparkConf = new SparkConf().setAppName("SparkStreamingTCPTotal").setMaster("local[2]")
//构建sparkContext对象
val sc: SparkContext = new SparkContext(sparkConf)
//设置日志输出的级别
sc.setLogLevel("WARN")
//构建StreamingContext对象，每个批处理的时间间隔
val scc: StreamingContext = new StreamingContext(sc, Seconds(5))
//设置checkpoint路径，当前项目下有一个ck目录
scc.checkpoint("./ck")
//注册一个监听的IP地址和端口 用来收集数据
val lines: ReceiverInputDStream[String] = scc.socketTextStream("192.168.200.160", 9999)
//切分每一行记录
val words: DStream[String] = lines.flatMap(_.split(" "))
//每个单词记为1
val wordAndOne: DStream[(String, Int)] = words.map((_, 1))
//累计统计单词出现的次数
val result: DStream[(String, Int)] = wordAndOne.updateStateByKey(updateFunction)
result.print()
scc.start()
scc.awaitTermination()
}
}通过函数updateStateByKey实现。根据key的当前值和key的之前批次值，对key进行更新，返回一个新状态的DStream 5.2.3 执行查看效果（1）先执行nc -lk 9999 （2）然后在执行以上代码 （3）不断的在（1）中输入不同的单词，观察IDEA控制台输出 现象：sparkStreaming每隔5s计算一次当前5s内的数据，然后将每个批次的结果数据累加输出。 5.3 SparkStreaming开窗函数reduceByKeyAndWindow，实现单词计数5.3.1 架构图 5.3.2 实现流程（1）安装并启动生成者 首先在linux服务器上用YUM安装nc工具，nc命令是netcat命令的简称,都是用来设置路由器。我们可以利用它向某个端口发送数据。 yum install -y nc （2）启动一个服务端并监听9999端口 nc-lk 9999 向指定的端口发送数据 （3）编写Spark Streaming程序 [AppleScript] 纯文本查看 复制代码 package cn.test.spark[/align]
import org.apache.spark.streaming.dstream.{DStream, ReceiverInputDStream}
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.{SparkConf, SparkContext}
/**
* sparkStreming开窗函数---统计一定时间内单词出现的次数
*/
object SparkStreamingTCPWindow {
def main(args: Array[String]): Unit = {
//配置sparkConf参数
val sparkConf: SparkConf = new SparkConf().setAppName("SparkStreamingTCPWindow").setMaster("local[2]")
//构建sparkContext对象
val sc: SparkContext = new SparkContext(sparkConf)
sc.setLogLevel("WARN")
//构建StreamingContext对象，每个批处理的时间间隔
val scc: StreamingContext = new StreamingContext(sc,Seconds(5))
//注册一个监听的IP地址和端口 用来收集数据
val lines: ReceiverInputDStream[String] = scc.socketTextStream("192.168.200.160",9999)
//切分每一行记录
val words: DStream[String] = lines.flatMap(_.split(" "))
//每个单词记为1
val wordAndOne: DStream[(String, Int)] = words.map((_,1))
//reduceByKeyAndWindow函数参数意义：
// windowDuration:表示window框住的时间长度，如本例5秒切分一次RDD，框10秒，就会保留最近2次切分的RDD
//slideDuration: 表示window滑动的时间长度，即每隔多久执行本计算
val result: DStream[(String, Int)] = wordAndOne.reduceByKeyAndWindow((a:Int,b:Int)=>a+b,Seconds(10),Seconds(5))
result.print()
scc.start()
scc.awaitTermination()
}
}（2）然后在执行以上代码 （3）不断的在（1）中输入不同的单词，观察IDEA控制台输出 现象：sparkStreaming每隔5s计算一次当前在窗口大小为10s内的数据，然后将结果数据输出。 5.4 SparkStreaming开窗函数统计一定时间内的热门词汇5.4.1 架构图 5.4.2 实现流程（1）安装并启动生产者 首先在linux服务器上用YUM安装nc工具，nc命令是netcat命令的简称,都是用来设置路由器。我们可以利用它向某个端口发送数据。 yum install -y nc （2）启动一个服务端并监听9999端口 nc -lk 9999 向指定的端口发送数据 （3）编写Spark Streaming程序 [AppleScript] 纯文本查看 复制代码 package cn.test.spark
import org.apache.spark.rdd.RDD
import org.apache.spark.streaming.dstream.{DStream, ReceiverInputDStream}
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.{SparkConf, SparkContext}
/**
* sparkStreming开窗函数应用----统计一定时间内的热门词汇
*/
object SparkStreamingTCPWindowHotWords {
def main(args: Array[String]): Unit = {
//配置sparkConf参数
val sparkConf: SparkConf = new SparkConf().setAppName("SparkStreamingTCPWindowHotWords").setMaster("local[2]")
//构建sparkContext对象
val sc: SparkContext = new SparkContext(sparkConf)
sc.setLogLevel("WARN")
//构建StreamingContext对象，每个批处理的时间间隔
val scc: StreamingContext = new StreamingContext(sc,Seconds(5))
//注册一个监听的IP地址和端口 用来收集数据
val lines: ReceiverInputDStream[String] = scc.socketTextStream("192.168.200.160",9999)
//切分每一行记录
val words: DStream[String] = lines.flatMap(_.split(" "))
//每个单词记为1
val wordAndOne: DStream[(String, Int)] = words.map((_,1))
//reduceByKeyAndWindow函数参数意义：
// windowDuration:表示window框住的时间长度，如本例5秒切分一次RDD，框10秒，就会保留最近2次切分的RDD
//slideDuration: 表示window滑动的时间长度，即每隔多久执行本计算
val result: DStream[(String, Int)] = wordAndOne.reduceByKeyAndWindow((a:Int,b:Int)=>a+b,Seconds(10),Seconds(5))
val data=result.transform(rdd=>{
//降序处理后，取前3位
val dataRDD: RDD[(String, Int)] = rdd.sortBy(t=>t._2,false)
val sortResult: Array[(String, Int)] = dataRDD.take(3)
println("--------------print top 3 begin--------------")
sortResult.foreach(println)
println("--------------print top 3 end--------------")
dataRDD
})
data.print()
scc.start()
scc.awaitTermination()
}
}（1）先执行nc -lk 9999 （3）然后在执行以上代码 （3）不断的在（1）中输入不同的单词，观察IDEA控制台输出 现象：sparkStreaming每隔5s计算一次当前在窗口大小为10s内的数据，然后将单词出现次数最多的前3位进行输出打印。 传智播客·黑马程序员郑州校区地址 河南省郑州市 高新区长椿路11号大学科技园（西区）东门8号楼三层 |
收藏
淘帖
踩
