Spark Streaming 实现数据实时统计案例

ysoren

　　Spark 是一个基于内存式的分布式计算框架。具有高性能，高效可扩展，容错等优点。
　　今天讲解一下spark的流计算，其实它也不完全是实时的流计算，算是一种准实时的流计算。
　　上图讲解

　　运行环境:需要linux环境下的spark环境
　　本例用的centOS 6.5x64 因为需要使用TCP协议传输数据，所以需要安装一个nc插件。
　　安装方式: yum  install ncxxx 或者挂载光盘安装
　　安装后启动nc -lk 9999 端口可以随便指定，最好是1024以上的就可以。
　　下面贴出代码
　　java版本的
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;
public class SparkDemo {
public static void main(String[] args) {
SparkConf conf=new SparkConf().setAppName("sparkDemo2").setMaster("local[3]");
JavaStreamingContext jsc=new JavaStreamingContext(conf,Durations.seconds(5));
//使用带状态的算子，需要checkpoint做容错处理
jsc.checkpoint("D://chkspark");
JavaReceiverInputDStream socketTextStream=jsc.socketTextStream("10.115.27.234", 1000);
JavaDStream wordsDstream=socketTextStream.flatMap(new FlatMapFunction() {
private static final long serialVersionUID=1L;
public Iterable call(String line) throws Exception {
return Arrays.asList(line.split(" "));
}
});
JavaPairDStream wordsToPairDstream=wordsDstream.mapToPair(new PairFunction() {
private static final long SerialVersionUID=1L;
public Tuple2 call(String word) throws Exception {
return new Tuple2(word, 1);
}
});
/**
* 一个batch对应一个RDD。
* */
JavaPairDStream resultDstream=wordsToPairDstream.updateStateByKey(new Function2() {
private static final long serialVersionUID=1L;
public Optional call(List values, Optional state) throws Exception {
Integer oldValue=0;   //默认旧value是0
if (state.isPresent()) {
oldValue=state.get();
}
for (Integer value:values) {
oldValue+=value;
}
return Optional.of(oldValue);
}
});
//打印结果
resultDstream.print();
jsc.start();
jsc.awaitTermination();
}
}　　程序测试: 从linux端的nc 下输入任意字符串，spark streaming会实时对输入的数据做出统计。类似于wordcount. 除非手动kill这个进程，否则会一直运行下去。因为它的原理就是和自来水的水流一样，是一连串的数据流。
　　运行结果展示:

　　也可以用scala写出同样的程序，代码量更少。
　　需要深入理解spark streaming的架构原理。