12.transform以及实时黑名单过滤案例实战

transform以及实时黑名单过滤案例实战

transform操作，应用在DStream上时，可以用于执行任意的RDD到RDD的转换操作。它可以用于实现，DStream API中所没有提供的操作。比如说，DStream API中，并没有提供将一个DStream中的每个batch，与一个特定的RDD进行join的操作。但是我们自己就可以使用transform操作来实现该功能。

DStream.join()，只能join其他DStream。在DStream每个batch的RDD计算出来之后，会去跟其他DStream的RDD进行join。

案例：广告计费日志实时黑名单过滤

 

java版本：

package cn.spark.study.streaming;

import java.util.ArrayList;
import java.util.List;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.function.Function;
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transform的实时广告计费日志黑名单过滤
* 这里案例，完全脱胎于真实的广告业务的大数据系统，业务是真实的，实用
* @author Administrator
*
*/
public class TransformBlacklist {

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

// 用户对我们的网站上的广告可以进行点击
// 点击之后，是不是要进行实时计费，点一下，算一次钱
// 但是，对于那些帮助某些无良商家刷广告的人，那么我们有一个黑名单
// 只要是黑名单中的用户点击的广告，我们就给过滤掉

// 先做一份模拟的黑名单RDD
List<Tuple2<String, Boolean>> blacklist = new ArrayList<Tuple2<String, Boolean>>();
blacklist.add(new Tuple2<String, Boolean>("tom", true));
final JavaPairRDD<String, Boolean> blacklistRDD = jssc.sc().parallelizePairs(blacklist);

// 这里的日志格式，就简化一下，就是date username的方式
JavaReceiverInputDStream<String> adsClickLogDStream = jssc.socketTextStream("spark1", 9999);

// 所以，要先对输入的数据，进行一下转换操作，变成，(username, date username)
// 以便于，后面对每个batch RDD，与定义好的黑名单RDD进行join操作
JavaPairDStream<String, String> userAdsClickLogDStream = adsClickLogDStream.mapToPair(

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

private static final long serialVersionUID = 1L;

@Override
public Tuple2<String, String> call(String adsClickLog)
throws Exception {
return new Tuple2<String, String>(
adsClickLog.split(" ")[1], adsClickLog);
}

});

// 然后，就可以执行transform操作了，将每个batch的RDD，与黑名单RDD进行join、filter、map等操作
// 实时进行黑名单过滤
JavaDStream<String> validAdsClickLogDStream = userAdsClickLogDStream.transform(

new Function<JavaPairRDD<String,String>, JavaRDD<String>>() {

private static final long serialVersionUID = 1L;

@Override
public JavaRDD<String> call(JavaPairRDD<String, String> userAdsClickLogRDD)
throws Exception {
// 这里为什么用左外连接？
// 因为，并不是每个用户都存在于黑名单中的
// 所以，如果直接用join，那么没有存在于黑名单中的数据，会无法join到
// 就给丢弃掉了
// 所以，这里用leftOuterJoin，就是说，哪怕一个user不在黑名单RDD中，没有join到
// 也还是会被保存下来的
JavaPairRDD<String, Tuple2<String, Optional<Boolean>>> joinedRDD =
userAdsClickLogRDD.leftOuterJoin(blacklistRDD);

// 连接之后，执行filter算子
JavaPairRDD<String, Tuple2<String, Optional<Boolean>>> filteredRDD =
joinedRDD.filter(

new Function<Tuple2<String,
Tuple2<String,Optional<Boolean>>>, Boolean>() {

private static final long serialVersionUID = 1L;

@Override
public Boolean call(
Tuple2<String,
Tuple2<String, Optional<Boolean>>> tuple)
throws Exception {
// 这里的tuple，就是每个用户，对应的访问日志，和在黑名单中
// 的状态
if(tuple._2._2().isPresent() &&
tuple._2._2.get()) {
return false;
}
return true;
}

});

// 此时，filteredRDD中，就只剩下没有被黑名单过滤的用户点击了
// 进行map操作，转换成我们想要的格式
JavaRDD<String> validAdsClickLogRDD = filteredRDD.map(

new Function<Tuple2<String,Tuple2<String,Optional<Boolean>>>, String>() {

private static final long serialVersionUID = 1L;

@Override
public String call(
Tuple2<String, Tuple2<String, Optional<Boolean>>> tuple)
throws Exception {
return tuple._2._1;
}

});

return validAdsClickLogRDD;
}

});

// 打印有效的广告点击日志
// 其实在真实企业场景中，这里后面就可以走写入kafka、ActiveMQ等这种中间件消息队列
// 然后再开发一个专门的后台服务，作为广告计费服务，执行实时的广告计费，这里就是只拿到了有效的广告点击
validAdsClickLogDStream.print();

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

scala版本：

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 TransformBlacklist {

def main(args: Array[String]): Unit = {
val conf = new SparkConf()
.setMaster("local[2]")
.setAppName("TransformBlacklist")
val ssc = new StreamingContext(conf, Seconds(5))

val blacklist = Array(("tom", true))
val blacklistRDD = ssc.sparkContext.parallelize(blacklist, 5)

val adsClickLogDStream = ssc.socketTextStream("spark1", 9999)
val userAdsClickLogDStream = adsClickLogDStream
.map { adsClickLog => (adsClickLog.split(" ")(1), adsClickLog) }

val validAdsClickLogDStream = userAdsClickLogDStream.transform(userAdsClickLogRDD => {
val joinedRDD = userAdsClickLogRDD.leftOuterJoin(blacklistRDD)
val filteredRDD = joinedRDD.filter(tuple => {
if(tuple._2._2.getOrElse(false)) {
false
} else {
true
}
})
val validAdsClickLogRDD = filteredRDD.map(tuple => tuple._2._1)
validAdsClickLogRDD
})

validAdsClickLogDStream.print()

4000
ssc.start()
ssc.awaitTermination()
}
}

运行步骤：

1.启动nc

nc -lk 9999

2.本地运行，直接在IDE中运行程序

 

运行结果：