第94讲， 使用Scala开发集群运行的Spark 实现在线黑名单过滤程序

有兴趣想学习国内整套Spark+Spark Streaming+Machine learning最顶级课程的，可加我qq  471186150。共享视频，性价比超高！

package com.dt.spark.sparksteaming

import org.apache.spark.SparkConf

import org.apache.spark.SparkContext

import org.apache.spark.rdd.RDD

import org.apache.spark.streaming.StreamingContext

import org.apache.spark.streaming.Seconds

/**

* 使用Scala开发集群运行的Spark 在线黑名单过滤程序

*

*

* 背景描述：在广告点击计费系统中，我们在线过滤掉黑名单的点击，进而保护广告商的利益，只进行有效的广告点击计费

* 或者在防刷评分（或者流量）系统（在电商网站，为了排名去请人刷评分或者流量），通过用户ip和信息，过滤掉无效的投票或者评分或者流量；

* 实现技术：首先由黑名单ip库，我们这里用个集合。黑名单的内容转成rdd，使用transform Api直接基于RDD编程，进行join操作，如果黑名单比较多，要做广播变量。

*

*/

object OnlineBlackListFilter {

def main(args: Array[String]){

/**

* 第1步：创建Spark的配置对象SparkConf，设置Spark程序的运行时的配置信息，

* 例如说通过setMaster来设置程序要链接的Spark集群的Master的URL,如果设置

* 为local，则代表Spark程序在本地运行，特别适合于机器配置条件非常差（例如

* 只有1G的内存）的初学者 *

*/

val conf = new SparkConf() //创建SparkConf对象

conf.setAppName("OnlineBlackListFilter") //设置应用程序的名称，在程序运行的监控界面可以看到名称

conf.setMaster("spark://master1:7077") //此时，程序在Spark集群

val ssc = new StreamingContext(conf, Seconds(30))

/**

* 黑名单数据准备，实际上黑名单一般都是动态的，例如在Redis或者数据库中，黑名单的生成往往有复杂的业务

* 逻辑，具体情况算法不同，但是在Spark Streaming进行处理的时候每次都能够访问完整的信息

*/

val blackList = Array(("hadoop", true),("mahout", true))

val blackListRDD = ssc.sparkContext.parallelize(blackList, 8)//把黑名单转成rdd，8是随便写的

//获取数据

val adsClickStream = ssc.socketTextStream("master1", 9999)

/**

* 此处模拟的广告点击的每条数据的格式为：time、name

* 此处map操作的结果是name、（time，name）的格式

*因为过滤黑名单，肯定要把名字弄出来，也要保证广告点击的完整内容，

*/

val adsClickStreamFormatted = adsClickStream.map { ads => (ads.split(" ")(1), ads) }

adsClickStreamFormatted.transform(userClickRDD => {

//leftOuterJoin右侧有这个元素，会key，value的方式返回true，没有返回false，左边都会存在。

//通过leftOuterJoin操作既保留了左侧用户广告点击内容的RDD的所有内容，又获得了相应点击内容是否在黑名单中

val joinedBlackListRDD = userClickRDD.leftOuterJoin(blackListRDD)

/**

* 下面把黑名单的内容过滤出去。进行filter过滤的时候，其输入元素是一个Tuple：（name,((time,name), boolean)）

* 其中第一个元素是黑名单的名称，第二元素的第二个元素是进行leftOuterJoin的时候是否存在该值

* 如果存在的话，表明当前广告点击是黑名单，需要过滤掉，否则的话则是有效点击内容；

*/

val validClicked = joinedBlackListRDD.filter(joinedItem => {

if(joinedItem._2._2.getOrElse(false))//第二个元素的第2个元素即黑名单，默认返回false

{

false//黑名单为true，说明是黑名单，这里就不要它，表明leftOuterJoin的时候有这个元素。

} else {

true//过滤掉

}

})

//遍历有效点击的元素

validClicked.map(validClick => {validClick._2._1})

}).print

/**

* 计算后的有效数据一般都会写入Kafka中，下游的计费系统会从kafka中pull到有效数据进行计费

*/

ssc.start()

ssc.awaitTermination()

}

}

生成jar文件，放到集群上通过脚本运行程序，启动nc -lk 9999,打开端口，输入数据21211 spark 或者212331 hadoop 或者 2221133 hello,必须俩个字段一条数据，在jar运行程序中，就会过滤掉带有"hadoop"和"mahout"字段的数据，打印出其它数据。