Spark练习之通过Spark Streaming实时计算wordcount程序

Spark练习之通过Spark Streaming实时计算wordcount程序

• Java版本
• Scala版本
• pom.xml

Java版本

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;

import java.util.Iterator;

/**
 * 实时wordcount程序
 */
public class JavaSparkStreaming {

    public static void main(String[] args) throws InterruptedException {
        //创建SparkConf对象
        //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("JavaSparkStreaming");
        //创建JavaStreamingContext对象
        //类似于Spark Core中的JavaSparkContext，类似于Spark SQL中的SQLContext
        //该对象除了接收SparkConf对象外
        //还必须接收一个batch interval参数，就是说，每手机多长时间的数据，划分为一个batch进行处理
        //当前设置为1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，创建一个数据源为socket网络端口的数据流
        //JavaReceiverInputDStream代表了一个输入的DStream
        //socketTextStream()方法接收两个基本参数，第一个是监听那个主机上的端口，第二个是监听哪个端口
        JavaReceiverInputDStream<String> lines = jssc.socketTextStream("localhost", 9999);

        //至此，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JavaReceiverInputDStream的泛型类型为<String>，其实代表了底层的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
        //产生新的RDD，会作为新DStream中的RDD

        JavaDStream<String> words = lines.flatMap(
                new FlatMapFunction<String, String>() {
                    @Override
                    public Iterator<String> call(String s) throws Exception {
                        return null;
                        //return Arrays.asList(line.spilt(" "));
                    }
                }
        );

        //此时，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<String, Integer> pairs = words.mapToPair(
                new PairFunction<String, String, Integer>() {
                    @Override
                    public Tuple2<String, Integer> call(String word) throws Exception {
                        return new Tuple2<String, Integer>(word, 1);
                    }
                }
        );
        //用Java Streaming开发程序和Java Core很像
        //唯一不同的是，Spark Core中的JavaRDD、JavaPairRDD，都变成了JavaDStream、JavaPairDStream

        JavaPairDStream<String, Integer> wordCounts = pairs.reduceByKey(
                new Function2<Integer, Integer, Integer>() {
                    @Override
                    public Integer call(Integer v1, Integer v2) throws Exception {
                        return v1 + v2;
                    }
                }
        );

        //每秒中发送到指定socket端口上的数据，都会被line 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，就会对每秒中对应的RDD，执行后续的一系列算子操作
        //比如，对Lines RDD执行了flatMap之后，得到了一个words RDD，作为words DStream中的一个RDD
        //以此类推，直到生成最后一个wordCount 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
        //注意：Spark Streaming的计算模型，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
        //没法实例变量进行缓存
        //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技术情况
        //并休眠5秒钟，以便于我们测试和观察

        Thread.sleep(5000);
        wordCounts.print();

        //对JavaStreamingContext进行后续处理
        //必须调用JavaStreamingContext的start()方法，整个Spark Steaming Application才会启动执行
        //否则不会执行
        jssc.start();
        jssc.awaitTermination();
        jssc.close();

    }
}

Scala版本

import org.apache.spark.SparkConf
import org.apache.spark.streaming.{Seconds, StreamingContext}

/**
  * wordcount
  */
object ScalaSparkStreaming {

  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setMaster("local[2]").setMaster("ScalaSparkStreaming")

    //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()

  }
}

pom.xml

切记要对应好Spark 和 Scala的版本。

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>

    <groupId>spark</groupId>
    <artifactId>com.spark</artifactId>
    <version>1.0-SNAPSHOT</version>

    <name>SparkTest</name>
    <url>http://maven.apache.org</url>

    <properties>
        <maven.compiler.source>1.8</maven.compiler.source>
        <maven.compiler.target>1.8</maven.compiler.target>
        <spark.version>2.3.0</spark.version>
        <hadoop.version>2.6.4</hadoop.version>
        <encoding>UTF-8</encoding>
    </properties>

    <dependencies>
        <!-- spark依赖-->
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.11</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-sql_2.11</artifactId>
            <version></version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-streaming_2.11</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <!-- hadoop依赖-->
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-client</artifactId>
            <version>${hadoop.version}</version>
        </dependency>
    </dependencies>
    <build>
        <pluginManagement>
            <plugins>
                <!-- 编译java的插件 -->
                <plugin>
                    <groupId>org.apache.maven.plugins</groupId>
                    <artifactId>maven-compiler-plugin</artifactId>
                    <version>3.5.1</version>
                </plugin>
            </plugins>
        </pluginManagement>
        <plugins>
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-compiler-plugin</artifactId>
                <executions>
                    <execution>
                        <phase>compile</phase>
                        <goals>
                            <goal>compile</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
            <!-- 打包插件 -->
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-shade-plugin</artifactId>
                <version>2.4.3</version>
                <executions>
                    <execution>
                        <phase>package</phase>
                        <goals>
                            <goal>shade</goal>
                        </goals>
                        <configuration>
                            <filters>
                                <filter>
                                    <artifact>*:*</artifact>
                                    <excludes>
                                        <exclude>META-INF/*.SF</exclude>
                                        <exclude>META-INF/*.DSA</exclude>
                                        <exclude>META-INF/*.RSA</exclude>
                                    </excludes>
                                </filter>
                            </filters>
                        </configuration>
                    </execution>
                </executions>
            </plugin>
        </plugins>
    </build>

</project>