SparkStreaming

1、SparkStreaming概述

数据处理类型分类
- 静态数据
  - 数据源是不变的、有限的、显式离散的
  - 多适用于批量计算、离线计算
- 流数据
  - 数据是变动的、无限的、连续的
  - 多适用于实时计算，能在秒级、秒内处理完成
    - 实时数据分类
      - 小时级
      - 分钟级
      - 秒级
- sparkstreaming是什么
  - 一句话总结：微批处理的流式(数据)实时计算框架。
  - 原理：是把输入数据以某一时间间隔批量的处理，当批处理间隔缩短到秒级时，即可用于处理实时数据流。
  - 优点
    - 可以和spark core、sparksql等无缝集成
    - 支持从多种数据源获取数据，包括Kafka、Flume、Twitter、ZeroMQ、Kinesis以及TCP sockets，然后可以使用诸如map、reduce、join等高级函数进行复杂算法的处理，最后可以将处理结果存储到HDFS文件系统，数据库等。
- 重要概念说明
  - StreamingContext
    - 类比于SparkContext，SparksqlContext
    - 流计算框架中的中枢类，负责各种环境信息、分发调度等任务。
  - 数据源
    - 简称：Source，意为DataSource的缩写
    - 指流数据的来源是哪里，如文件，Socket输入、Kafka等。
  - 离散流
    - 英文称discretized Stream，简称DStream，即为sparkstreaming微批处理当中的数据抽象单位。
    - 是继spark core的RDD、spark sql的DataFrame和DataSet后又一基础的数据类型，是spark streaming特有的数据类型。
  - 输入离散流
    - 英文简称：Input DStream
    - 将Spark Streaming连接到一个外部Source数据源来读取数据的统称
  - 批数据
    - 英文称Batch Data
    - 连续数据离散化的步骤：将流式实时连续的数据整体转化成以时间片为单位进行分批，即将流式数据转化成时间片为单位数据进行批数据处理，随着时间推移，这些处理结果即形成结果数据流，即流处理引擎形成。
  - 时间片或批处理时间间隔
    - 英文称 batch interval
    - 人为对流数据进行定量的标准，以时间片作为拆分流数据的依据。
    - 一个时间片的数据对应一个RDD实例。
  - 窗口长度
    - 英文称window length
    - 一个窗口覆盖的流数据的时间长度，必须是批处理时间间隔的倍数。
    - 窗口分类
      - 滑动窗口
      - 滚动窗口
  - 滑动窗口时间间隔
    - 滑动窗口：简称Sliding window
    - 前一个窗口到后一个窗口所经过的时间长度间隔。必须是批处理时间间隔的倍数
处理流程图示说明
- 框架处理总流程图

框架内部工作流程图

Spark Streaming接收实时输入数据流并将数据分成批处理，然后由SparkCore引擎处理，以批量生成最终结果流。

2、scala快速构建SparkStreaming应用

scala构建SparkStreaming应用步骤
- sbt构建空eclipse项目(done)
- build.sbt中添加spark-streaming依赖
- 以StreamingContext为起点，而向Dstream编程
- 测试运行、效果查看
步骤实现
- build.sbt中添加spark-streaming依赖
- ```

    <dependency>
      <groupId>org.apache.spark</groupId>
      <artifactId>spark-streaming_${scala.compat.version}</artifactId>
      <version>2.3.2</version>
      <scope>provided</scope>
    </dependency>
```
  代码实现
- ```
def main(args: Array[String]): Unit = {
    //创建配置文件
    val conf=new SparkConf()
      .setAppName("stream")
      .setMaster("local[*]")
      .set("spark.testing.memory","512000000")
    //创建streamingContext,指定间隔时间
    val streamingContext=new StreamingContext(conf,Seconds(5))
    //连接到数据源
    val lines=streamingContext.socketTextStream("192.168.1.114",9999)
    //后续编写spark处理world count
    val wordKV=lines.flatMap(_.split("\t")).map(word=>(word,1))

    val wc=wordKV.reduceByKey(_+_)
    wc.print()
    //开启streaming
    streamingContext.start()
    streamingContext.awaitTermination()
  }
```
- netcat介绍
  - Linux版本
    - 启动netcat命令
      - nc -lk 9999 ：意为开启本机的9999端口作为对外的TCP数据服务端口
      - 开启本机的9999作为TCP服务端口
  - 基本介绍
    - netcat是一个通过TCP/UDP在网络中进行读写数据工具（命令），被称为“瑞士军刀”，主要用于网络调试领域、传输领域甚至黑客攻击领域。
    - 简称nc，linux自带该命令， windows需要下载netcap的应用程序才行。
    - ```
    [root@localhost ~]# nc -lk 9999
    sfaf
    dads
    dsfd
    gfgf
```
- 开启sparkStreaming程序，读取来自9999端口的输入的TCP流数据
  - 注意要先开启指定端口的TCP服务，否则streaming会报读取异常。
  - 右击-run as application即可，开启后ss将一直以1秒为时间间隔，以行为输入单位监控传入的流数据，进行代码当中的flatMap、WordCount的处理
  - 每隔1秒，输出一次针对当前DStream的WC计算结果
- SparkStreaming实现WordCount的流程抽象说明(经典流程)
  - SparkStreaming代码的开发流程
    初始化StreamingContext
    通过创建输入DStreams来定义输入源。
    通过将转换和输出操作应用于DStream来定义流式计算。
    开始接收数据并使用它进行处理streamingContext.start()。
    等待处理停止（手动或由于任何错误）使用streamingContext.awaitTermination()。
    可以使用手动停止处理streamingContext.stop()。
  - SparkStreaming代码开发注意
    一旦启动(start)了上下文，就不能设置或添加新的流式计算。
    上下文停止后，无法重新启动。
    在JVM中只能同时激活一个StreamingContext。
    StreamingContext上的stop()也会停止SparkContext。要仅停止StreamingContext，请将stop()的可选参数设置stopSparkContext为false。
    只要在创建下一个StreamingContext之前停止前一个StreamingContext（不停止SparkContext），就可以重复使用SparkContext来创建多个StreamingContexts。
  - SparkStreaming的流数据专用数据抽象DStream，内部均为指定时间间隔内生成数据的RDD形式。
  DStream内部即为RDD持续的离散序列，RDD内部均是以文本行为基本元素，对DStream的处理即映射转化为对内部RDD的处理，故对RDD的算子操作大多数情况下适配于DStream使用，同时DStream提供了更高级别的算子API方便使用。

1、SparkStreaming概述

2、scala快速构建SparkStreaming应用

相关推荐