Spark Streaming编程指南(一)
2017-06-22 14:28
459 查看
概述
快速示例
在Spark内部,工作流程如下。Spark Streaming接收实时输入数据流并且将数据划分为不同的批次,然后交给Spark engine进行处理,按照批次生成最终的结果流。
Spark Streaming提供了高层抽象,叫做离散流( discretized stream)或者DStream,代表连续数据流。DStream可以通过Kafka,Flume和Kinesis的输入数据流创建,或者通过在其它DStream上应用高层操作创建。在Spark内部,DStream是一系列RDD。
首先,import Spark Streaming的类和一些隐式转换。StreamingContext是所有流功能的主入口。我们创建一个本地StreamingContext,2个执行线程,批时间间隔为1s。
使用这个context,可以创建DStream,代表TCP源的数据流,指定 hostname (e.g.
注意,上面代码行执行时,Spark Streaming只会设置启动时要执行的计算,不会开始真正的处理。要在所有转换完成后开始进行处理,调用以下方法:
完整代码可参见NetworkWordCount。
如果你已经下载并且构建了Spark,可以运行下面的示例。需要先运行Netcat(一个小工具,大多数类Unix系统都有)作为数据服务器,如下:
然后,在另外一个终端中,启动下面的示例:
然后,在运行netcat服务的终端中输入的任意行都会每秒进行计数并打印出来。如下:
快速示例
概述
Spark Streaming是核心Spark API的扩展,对实时数据流地处理具有可扩展,高吞吐量和容错特性。数据可从很多源获取,如Kafka,Flume,Kinesis或者TCP sockets,并且可以使用复杂算法进行处理,用高层函数表示如map,
reduce,
join和
window。最后,处理结果可以输出到文件系统,数据库或者实时仪表盘。实际上,你可以在数据流上应用machine learning和graph processing算法。
在Spark内部,工作流程如下。Spark Streaming接收实时输入数据流并且将数据划分为不同的批次,然后交给Spark engine进行处理,按照批次生成最终的结果流。
Spark Streaming提供了高层抽象,叫做离散流( discretized stream)或者DStream,代表连续数据流。DStream可以通过Kafka,Flume和Kinesis的输入数据流创建,或者通过在其它DStream上应用高层操作创建。在Spark内部,DStream是一系列RDD。
快速示例
在详细介绍如何写Spark Streaming程序之前,先快速看一下简单的Spark Streaming程序示例。假设我们想计算从数据服务器通过TCP socket发过来的文本数据的单词数量,可参见如下代码。首先,import Spark Streaming的类和一些隐式转换。StreamingContext是所有流功能的主入口。我们创建一个本地StreamingContext,2个执行线程,批时间间隔为1s。
import org.apache.spark._ import org.apache.spark.streaming._ import org.apache.spark.streaming.StreamingContext._ // not necessary since Spark 1.3 // Create a local StreamingContext with two working thread and batch interval of 1 second. // The master requires 2 cores to prevent from a starvation scenario. val conf = new SparkConf().setMaster("local[2]").setAppName("NetworkWordCount") val ssc = new StreamingContext(conf, Seconds(1))
使用这个context,可以创建DStream,代表TCP源的数据流,指定 hostname (e.g.
localhost)和port (e.g.
9999)。
// Create a DStream that will connect to hostname:port, like localhost:9999 val lines = ssc.socketTextStream("localhost", 9999)
linesDStream代表从数据服务器接收的数据流。DStream中的每条记录是文本的一行。接下来,用空格将每行切分成单词。
// Split each line into words val words = lines.flatMap(_.split(" "))
flatMap是一个一对多的DStream操作,通过从源DStream中的每条记录创建多条新纪录来创建新DStream。我们这个例子中,每行会被切分成多个单词,
wordsDStream代表单词流。接下来,对单词进行计数。
import org.apache.spark.streaming.StreamingContext._ // not necessary since Spark 1.3 // Count each word in each batch val pairs = words.map(word => (word, 1)) val wordCounts = pairs.reduceByKey(_ + _) // Print the first ten elements of each RDD generated in this DStream to the console wordCounts.print()
wordsDStream进行map(一对一转换)到一个
(word, 1)DStream,然后reduce获取每个批次数据的词频。最后,
wordCounts.print()会打印其中一些词频。
注意,上面代码行执行时,Spark Streaming只会设置启动时要执行的计算,不会开始真正的处理。要在所有转换完成后开始进行处理,调用以下方法:
ssc.start() // Start the computation ssc.awaitTermination() // Wait for the computation to terminate
完整代码可参见NetworkWordCount。
如果你已经下载并且构建了Spark,可以运行下面的示例。需要先运行Netcat(一个小工具,大多数类Unix系统都有)作为数据服务器,如下:
$ nc -lk 9999
然后,在另外一个终端中,启动下面的示例:
$ ./bin/run-example streaming.NetworkWordCount localhost 9999
然后,在运行netcat服务的终端中输入的任意行都会每秒进行计数并打印出来。如下:
# TERMINAL 1: # Running Netcat $ nc -lk 9999 hello world ...
# TERMINAL 2: RUNNING NetworkWordCount $ ./bin/run-example streaming.NetworkWordCount localhost 9999 ... ------------------------------------------- Time: 1357008430000 ms ------------------------------------------- (hello,1) (world,1) ...
相关文章推荐
- Spark Streaming-1:Spark Streaming编程指南
- Apache Spark 2.2.0 中文文档 - Spark Streaming 编程指南 | ApacheCN
- spark官方文档之——Spark Streaming Programming Guid spark streaming编程指南
- SPARK STREAMING之1:编程指南(翻译v1.4.1)
- Spark Streaming编程指南
- Spark-Streaming编程指南
- Spark Streaming编程指南(三)
- Spark Structured Streaming入门编程指南
- Apache Spark 2.2.0 中文文档 - Spark Streaming 编程指南 | ApacheCN
- Spark Streaming编程指南(四)
- Spark2.1.0文档:Spark Streaming 编程指南(下)-性能调优和容错语义
- Spark Streaming编程指南
- Spark Streaming编程指南
- pyspark-Spark Streaming编程指南
- Spark Streaming编程指南
- #########好####### pyspark-Spark Streaming编程指南
- Spark Streaming编程指南
- Spark2.1.0文档:Spark Streaming 编程指南(上)
- Apache Spark 2.2.0 中文文档 - Spark Streaming 编程指南 | ApacheCN
- Spark Streaming编程指南