IMF传奇行动第83课：Spark Streaming第二课：用Scala和Java二种方式实战Spark Streaming开发



1、开发前准备：假定您已经搭建好了Spark集群。

2、开发环境采用eclipse maven工程，需要添加Spark
Streaming依赖。

3、Spark streaming基于Spark
Core进行计算，需要注意事项：

设置本地master，如果指定local的话，必须配置至少二条线程，也可通过sparkconf来设置，因为Spark
Streaming应用程序在运行的时候，至少有一条线程用于不断的循环接收数据，并且至少有一条线程用于处理接收的数据（否则的话无法有线程用于处理数据），随着时间的推移，内存和磁盘都会不堪重负）。

温馨提示：

对于集群而言，每隔Executor一般肯定不只一个Thread，那对于处理Spark
Streaming应用程序而言，每个Executor一般分配多少core比较合适？根据我们过去的经验，5个左右的core是最佳的（段子：分配为奇数个core的表现最佳，例如：分配3个、5个、7个core等）。

接下来，让我们开始动手写Java代码吧！

一、Java方式开发

第一步，配置SparkConf：



/*

*第一步：配置SparkConf：

* 1，至少2条线程：因为Spark
Streaming应用程序在运行的时候，至少有一条

*线程用于不断的循环接收数据，并且至少有一条线程用于处理接受的数据（否则的话无法

*有线程用于处理数据，随着时间的推移，内存和磁盘都会不堪重负）；

* 2，对于集群而言，每个Executor一般肯定不止一个Thread，那对于处理Spark
Streaming的

*应用程序而言，每个Executor一般分配多少Core比较合适？根据我们过去的经验，5个左右的

* Core是最佳的（一个段子分配为奇数个Core表现最佳，例如3个、5个、7个Core等）；

*/

/*SparkConf conf = newSparkConf().setMaster("local[2]").

setAppName("WordCountOnline");*/

SparkConf conf = newSparkConf().setMaster("spark://Master:7077").

setAppName("WordCountOnline");

第二步，创建SparkStreamingContext：

我们采用基于配置文件的方式创建SparkStreamingContext对象。



/*

*第二步：创建SparkStreamingContext：

* 1，这个是SparkStreaming应用程序所有功能的起始点和程序调度的核心

* SparkStreamingContext的构建可以基于SparkConf参数，也可基于持久化的SparkStreamingContext的

*内容来恢复过来（典型的场景是Driver崩溃后重新启动，由于Spark
Streaming具有连续7*24小时不，

*间断运行的特征所有需要在Driver重新启动后继续上衣系的状态，此时的状态恢复需要基于曾经的

* Checkpoint）；

* 2，在一个SparkStreaming应用程序中可以创建若干个SparkStreamingContext对象，使用下一个

* SparkStreamingContext之前需要把前面正在运行的SparkStreamingContext对象关闭掉，由此，

*我们获得一个重大的启发，SparkStreaming框架也只是Spark
Core上的一个应用程序而已，

*只不过SparkStreaming框架箱运行的话需要Spark工程师写业务逻辑处理代码；

*/

JavaStreamingContext jsc= new JavaStreamingContext(conf, Durations.seconds(5));

第三步，创建Spark Streaming输入数据来源:

我们将数据来源配置为本地端口9999（注意，端口要求没有被占用）:



/*

*第三步：创建SparkStreaming输入数据来源input
Stream：

* 1，数据输入来源可以基于File、HDFS、Flume、Kafka、Socket等

* 2,在这里我们指定数据来源于网络Socket端口，Spark
Streaming连接上该端口并在运行的时候一直监听

*该端口的数据（当然该端口服务首先必须存在）,并且在后续会根据业务需要不断的有数据产生(当然对于

* Spark Streaming应用程序的运行而言，有无数据其处理流程都是一样的)；

* 3,如果经常在每间隔5秒钟没有数据的话不断的启动空的Job其实是会造成调度资源的浪费，

*
因为并没有数据需要发生计算，所以

*实例的企业级生成环境的代码在具体提交Job前会判断是否有数据，如果没有的话就不再提交Job；

*/

JavaReceiverInputDStreamlines = jsc.socketTextStream("Master", 9999);

第四步：我们就像对RDD编程一样，基于DStream进行编程，原因是DStream是RDD产生的模板，在SparkStreaming发生计算前，其实质是把每个Batch的DStream的操作翻译成为了RDD操作。

1、flatMap操作：



2、mapToPair操作：



3、reduceByKey操作：



4、print等操作：



/*

*第四步：接下来就像对于RDD编程一样基于DStream进行编程！！！原因是DStream是RDD产生的模

*板（或者说类），在SparkStreaming具体发生计算前，其实质是把每个Batch的DStream的操作翻译成

*为对RDD的操作！！！

*对初始的DStream进行Transformation级别的处理，例如map、filter等高阶函数等的编程，来进行具体

*的数据计算

*第4.1步：讲每一行的字符串拆分成单个的单词

*/

JavaDStream<String>words = lines.flatMap(new FlatMapFunction<String, String>() { //如果是Scala，由于SAM转换，所以可以写成valwords
= lines.flatMap { line => line.split(" ")}

@Override

public Iterable<String> call(String line)
throws Exception {

return Arrays.asList(line.split("
"));

}

});

/*

*
第四步：对初始的DStream进行Transformation级别的处理，例如map、filter等高阶函数等的编程，来进行具体的数据计算

*
第4.2步：在单词拆分的基础上对每个单词实例计数为1，也就是word
=> (word, 1)

*/

JavaPairDStream<String,Integer> pairs = words.mapToPair(new PairFunction<String, String,Integer>() {

@Override

public Tuple2<String, Integer> call(String
word) throwsException {

return new Tuple2<String,
Integer>(word, 1);

}

});

/*

*
第四步：对初始的DStream进行Transformation级别的处理，例如map、filter等高阶函数等的编程，来进行具体的数据计算

*
第4.3步：在每个单词实例计数为1基础之上统计每个单词在文件中出现的总次数

*/

JavaPairDStream<String,Integer> wordsCount = pairs.reduceByKey(new Function2<Integer, Integer,Integer>() {
//对相同的Key，进行Value的累计（包括Local和Reducer级别同时Reduce）

@Override

public Integer call(Integer v1, Integer
v2) throws Exception {

return v1 + v2;

}

});

/*

*此处的print并不会直接出发Job的执行，因为现在的一切都是在Spark
Streaming框架的控制之下的，对于Spark Streaming

*而言具体是否触发真正的Job运行是基于设置的Duration时间间隔的

*

*诸位一定要注意的是SparkStreaming应用程序要想执行具体的Job，对Dtream就必须有outputStream操作，

* output Stream有很多类型的函数触发，类print、saveAsTextFile、saveAsHadoopFiles等，最为重要的一个

*方法是foraeachRDD,因为Spark
Streaming处理的结果一般都会放在Redis、DB、DashBoard等上面，foreachRDD

*主要就是用用来完成这些功能的，而且可以随意的自定义具体数据到底放在哪里！！！

*/

wordsCount.print();

/*

* Spark Streaming执行引擎也就是Driver开始运行，Driver启动的时候是位于一条新的线程中的，当然其内部有消息循环体，用于

*接受应用程序本身或者Executor中的消息；

*/

jsc.start();

jsc.awaitTermination();

jsc.close();

温馨提示：
除了print()方法将处理后的数据输出之外，还有其他的方法也非常重要，在开发中需要重点掌握，比如SaveAsTextFile，SaveAsHadoopFile等。最为重要的是foreachRDD方法，这个方法可以将数据写入Redis，DB，DashBoard等，甚至可以随意的定义数据放在哪里，功能非常强大。

二、Scala方式开发
接下来我们看看如何用非常简洁的Scala代码实现上面Java代码同样的功能。

第一步，接收数据源：




第二步，flatMap操作：




第三步，map操作：




第四步，reduceByKey操作：



第五步，print操作：




第六步，start和awaitTermination等操作：



课程笔记来源:

DT大数据梦工厂IMF传奇行动课程学员姜伟整理。YY直播永久课堂频道68917580每晚8点准时开课。