11.updateStateByKey以及基于缓存的实时wordcount程序

updateStateByKey

updateStateByKey操作，可以让我们为每个key维护一份state，并持续不断的更新该state。

1、首先，要定义一个state，可以是任意的数据类型；

2、其次，要定义state更新函数——指定一个函数如何使用之前的state和新值来更新state。

对于每个batch，Spark都会为每个之前已经存在的key去应用一次state更新函数，无论这个key在batch中是否有新的数据。如果state更新函数返回none，那么key对应的state就会被删除。

当然，对于每个新出现的key，也会执行state更新函数。

注意，updateStateByKey操作，要求必须开启Checkpoint机制。

案例：基于缓存的实时wordcount程序（在实际业务场景中，这个是非常有用的）

 

java版本代码：

package cn.spark.study.streaming;

import java.util.Arrays;
import java.util.List;

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 com.google.common.base.Optional;

import scala.Tuple2;

/**
* 基于updateStateByKey算子实现缓存机制的实时wordcount程序
* @author Administrator
*
*/
public class UpdateStateByKeyWordCount {

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

// 第一点，如果要使用updateStateByKey算子，就必须设置一个checkpoint目录，开启checkpoint机制
// 这样的话才能把每个key对应的state除了在内存中有，那么是不是也要checkpoint一份
// 因为你要长期保存一份key的state的话，那么spark streaming是要求必须用checkpoint的，以便于在
// 内存数据丢失的时候，可以从checkpoint中恢复数据

// 开启checkpoint机制，很简单，只要调用jssc的checkpoint()方法，设置一个hdfs目录即可
jssc.checkpoint("hdfs://spark1:9000/wordcount_checkpoint");

// 然后先实现基础的wordcount逻辑
JavaReceiverInputDStream<String> lines = jssc.socketTextStream("localhost", 9999);

JavaDStream<String> words = lines.flatMap(new FlatMapFunction<String, String>() {

private static final long serialVersionUID = 1L;

@Override
public Iterable<String> call(String line) throws Exception {
return Arrays.asList(line.split(" "));
}

});

JavaPairDStream<String, Integer> pairs = words.mapToPair(

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

private static final long serialVersionUID = 1L;

@Override
public Tuple2<String, Integer> call(String word)
throws Exception {
return new Tuple2<String, Integer>(word, 1);
}

});

// 到了这里，就不一样了，之前的话，是不是直接就是pairs.reduceByKey
// 然后，就可以得到每个时间段的batch对应的RDD，计算出来的单词计数
// 然后，可以打印出那个时间段的单词计数
// 但是，有个问题，你如果要统计每个单词的全局的计数呢？
// 就是说，统计出来，从程序启动开始，到现在为止，一个单词出现的次数，那么就之前的方式就不好实现
// 就必须基于redis这种缓存，或者是mysql这种db，来实现累加

// 但是，我们的updateStateByKey，就可以实现直接通过Spark维护一份每个单词的全局的统计次数
JavaPairDStream<String, Integer> wordCounts = pairs.updateStateByKey(

// 这里的Optional，相当于Scala中的样例类，就是Option，可以这么理解
// 它代表了一个值的存在状态，可能存在，也可能不存在
new Function2<List<Integer>, Optional<Integer>, Optional<Integer>>() {

private static final long serialVersionUID = 1L;

// 这里两个参数
// 实际上，对于每个单词，每次batch计算的时候，都会调用这个函数
// 第一个参数，values，相当于是这个batch中，这个key的新的值，可能有多个吧
// 比如说一个hello，可能有2个1，(hello, 1) (hello, 1)，那么传入的是(1,1)
// 第二个参数，就是指的是这个key之前的状态，state，其中泛型的类型是你自己指定的
@Override
public Optional<Integer> call(List<Integer> values,
Optional<Integer> state) throws Exception {
// 首先定义一个全局的单词计数
Integer newValue = 0;

// 其次，判断，state是否存在，如果不存在，说明是一个key第一次出现
// 如果存在，说明这个key之前已经统计过全局的次数了
if(state.isPresent()) {
newValue = state.get();
}

// 接着，将本次新出现的值，都累加到newValue上去，就是一个key目前的全局的统计
// 次数
for(Integer value : values) {
newValue += value;
}

return Optional.of(newValue);
}

});

// 到这里为止，相当于是，每个batch过来是，计算到pairs DStream，就会执行全局的updateStateByKey
// 算子，updateStateByKey返回的JavaPairDStream，其实就代表了每个key的全局的计数
// 打印出来
wordCounts.print();

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

scala版本代码：

package cn.spark.study.streaming

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

/**
* @author Administrator
*/
object UpdateStateByKeyWordCount {

def main(args: Array[String]): Unit = {
val conf = new SparkConf()
.setMaster("local[2]")
.setAppName("UpdateStateByKeyWordCount")
val ssc = new StreamingContext(conf, Seconds(5))
ssc.checkpoint("hdfs://spark1:9000/wordcount_checkpoint")

val lines = ssc.socketTextStream("spark1", 9999)
val words = lines.flatMap { _.split(" ") }
val pairs = words.map { word => (word, 1) }
val wordCounts = pairs.updateStateByKey((values: Seq[Int], state: Option[Int]) => {
var newValue = state.getOrElse(0)
for(value <- values) {
newValue += value
}
Option(newValue)
})

wordCounts.print()

ssc.start()
ssc.awaitTermination()
}
}

运行步骤：

1.在hdfs文件系统创建wordcount_checkpoint

hadoop fs -mkdir /wordcount_checkpoint

2.启动nc

nc -lk 9999

3.启动运行程序

运行结果：

将启动到结束过程中的结果都进行缓存