56、Spark Streaming: transform以及实时黑名单过滤案例实战

一、transform以及实时黑名单过滤案例实战

1、概述

transform操作，应用在DStream上时，可以用于执行任意的RDD到RDD的转换操作。它可以用于实现，DStream API中所没有提供的操作。比如说，DStream API中，
并没有提供将一个DStream中的每个batch，与一个特定的RDD进行join的操作。但是我们自己就可以使用transform操作来实现该功能。

DStream.join()，只能join其他DStream。在DStream每个batch的RDD计算出来之后，会去跟其他DStream的RDD进行join。

案例：广告计费日志实时黑名单过滤

2、java案例

package cn.spark.study.streaming;

import java.util.ArrayList;
import java.util.List;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.function.Function;
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;

/**
 * 基于transform的实时广告计费日志黑名单过滤
 *
 * @author bcqf
 *
 */
public class TransformBlacklist {

    @SuppressWarnings("deprecation")
    public static void main(String[] args) {
        SparkConf conf = new SparkConf()
                .setMaster("local[2]")
                .setAppName("TransformBlacklist");
        JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(5));

        // 用户对我们的网站上的广告可以进行点击
        // 点击之后，是不是要进行实时计费，点一下，算一次钱
        // 但是，对于那些帮助某些无良商家刷广告的人，那么我们有一个黑名单
        // 只要是黑名单中的用户点击的广告，我们就给过滤掉

        // 先做一份模拟的黑名单RDD
        List<Tuple2<String, Boolean>> blacklist = new ArrayList<Tuple2<String, Boolean>>();
        blacklist.add(new Tuple2<String, Boolean>("tom", true));
        final JavaPairRDD<String, Boolean> blacklistRDD = jssc.sc().parallelizePairs(blacklist);

        // 这里的日志格式，就简化一下，就是date username的方式
        JavaReceiverInputDStream<String> adsClickLogDStream = jssc.socketTextStream("spark1", 9999);

        // 所以，要先对输入的数据，进行一下转换操作，变成，(username, date username)
        // 以便于，后面对每个batch RDD，与定义好的黑名单RDD进行join操作
        JavaPairDStream<String, String> userAdsClickLogDStream = adsClickLogDStream.mapToPair(

                new PairFunction<String, String, String>() {

                    private static final long serialVersionUID = 1L;

                    @Override
                    public Tuple2<String, String> call(String adsClickLog)
                            throws Exception {
                        return new Tuple2<String, String>(
                                adsClickLog.split(" ")[1], adsClickLog);
                    }

                });

        // 然后，就可以执行transform操作了，将每个batch的RDD，与黑名单RDD进行join、filter、map等操作
        // 实时进行黑名单过滤
        JavaDStream<String> validAdsClickLogDStream = userAdsClickLogDStream.transform(

                new Function<JavaPairRDD<String,String>, JavaRDD<String>>() {

                    private static final long serialVersionUID = 1L;

                    @Override
                    public JavaRDD<String> call(JavaPairRDD<String, String> userAdsClickLogRDD)
                            throws Exception {
                        // 这里为什么用左外连接？
                        // 因为，并不是每个用户都存在于黑名单中的
                        // 所以，如果直接用join，那么没有存在于黑名单中的数据，会无法join到
                        // 就给丢弃掉了
                        // 所以，这里用leftOuterJoin，就是说，哪怕一个user不在黑名单RDD中，没有join到
                        // 也还是会被保存下来的
                        JavaPairRDD<String, Tuple2<String, Optional<Boolean>>> joinedRDD =
                                userAdsClickLogRDD.leftOuterJoin(blacklistRDD);

                        // 连接之后，执行filter算子
                        JavaPairRDD<String, Tuple2<String, Optional<Boolean>>> filteredRDD =
                                joinedRDD.filter(

                                        new Function<Tuple2<String,
                                                Tuple2<String,Optional<Boolean>>>, Boolean>() {

                                            private static final long serialVersionUID = 1L;

                                            @Override
                                            public Boolean call(
                                                    Tuple2<String,
                                                            Tuple2<String, Optional<Boolean>>> tuple)
                                                    throws Exception {
                                                // 这里的tuple，就是每个用户，对应的访问日志，和在黑名单中
                                                // 的状态
                                                if(tuple._2._2().isPresent() &&
                                                        tuple._2._2.get()) {
                                                    return false;
                                                }
                                                return true;
                                            }

                                        });

                        // 此时，filteredRDD中，就只剩下没有被黑名单过滤的用户点击了
                        // 进行map操作，转换成我们想要的格式
                        JavaRDD<String> validAdsClickLogRDD = filteredRDD.map(

                                new Function<Tuple2<String,Tuple2<String,Optional<Boolean>>>, String>() {

                                    private static final long serialVersionUID = 1L;

                                    @Override
                                    public String call(
                                            Tuple2<String, Tuple2<String, Optional<Boolean>>> tuple)
                                            throws Exception {
                                        return tuple._2._1;
                                    }

                                });
//
                        return validAdsClickLogRDD;
                    }

                });

        // 打印有效的广告点击日志
        // 其实在真实企业场景中，这里后面就可以走写入kafka、ActiveMQ等这种中间件消息队列
        // 然后再开发一个专门的后台服务，作为广告计费服务，执行实时的广告计费，这里就是只拿到了有效的广告点击
        validAdsClickLogDStream.print();

        jssc.start();
        jssc.awaitTermination();
        jssc.close();
    }

}

##在eclipse中运行程序

##服务器端运行nc
[root@spark1 kafka]# nc -lk 9999
20150814 marry
20150814 tom

##结果，tom已经被过滤掉了
20150814 marry

2、scala案例

package cn.spark.study.streaming

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

/**
 * @author bcqf
 */
object TransformBlacklist {

  def main(args: Array[String]): Unit = {
    val conf = new SparkConf()
        .setMaster("local[2]")
        .setAppName("TransformBlacklist")
    val ssc = new StreamingContext(conf, Seconds(5))

    val blacklist = Array(("tom", true))
    val blacklistRDD = ssc.sparkContext.parallelize(blacklist, 5)  

    val adsClickLogDStream = ssc.socketTextStream("spark1", 9999)
    val userAdsClickLogDStream = adsClickLogDStream
        .map { adsClickLog => (adsClickLog.split(" ")(1), adsClickLog) } 

    val validAdsClickLogDStream = userAdsClickLogDStream.transform(userAdsClickLogRDD => {
      val joinedRDD = userAdsClickLogRDD.leftOuterJoin(blacklistRDD)
      val filteredRDD = joinedRDD.filter(tuple => {
        if(tuple._2._2.getOrElse(false)) {
          false
        } else {
          true
        }
      })
      val validAdsClickLogRDD = filteredRDD.map(tuple => tuple._2._1)
      validAdsClickLogRDD
    })

    validAdsClickLogDStream.print()

    ssc.start()
    ssc.awaitTermination()
  }

}