Spark Streaming开发入门——WordCount（Java&Scala）

一、Java方式开发

1、开发前准备

假定您以搭建好了Spark集群。

2、开发环境采用eclipse maven工程，需要添加Spark Streaming依赖。

    <dependency>      <groupId>org.apache.spark</groupId>      <artifactId>spark-streaming_2.10</artifactId>      <version>1.6.0</version>    </dependency>
1
2
3
4
5

3、Spark streaming 基于Spark Core进行计算，需要注意事项：

1.local模式的话,local后必须为大于等于2的数字【即至少2条线程】。因为receiver 占了一个。
因为,SparkStreaming 在运行的时候,至少需要一条线程不断循环接收数据，而且至少有一条线程处理接收的数据。
如果只有一条线程的话,接受的数据不能被处理。

温馨提示：
1
2

对于集群而言，每隔exccutor一般肯定不只一个Thread，那对于处理Spark Streaming应用程序而言，每个executor一般分配多少core比较合适？根据我们过去的经验，5个左右的core是最佳的（段子:分配为奇数个core的表现最佳,例如：分配3个、5个、7个core等）

接下来，让我们开始动手写写Java代码吧！

第一步：

SparkConf conf = new SparkConf().setMaster("spark：//Master:7077").setAppName("wordCountOnline");
1

第二步：

我们采用基于配置文件的方式创建SparkStreamingContext对象

    /**     * 第二步：创建SparkStreamingContext,这个是SparkStreaming应用程序所有功能的起始点和程序调度的核心     * SparkStreamingContext的构建可以基于SparkConf参数，也可基于持久化的SparkStreamingContext的内容来回复过来     * （典型的场景是Driver崩溃后重新启动，由于Spark Streaming具有连续7*24小时不间断运行的特征，     * 所有需要再Drver重新启动后继续上的状态，此时的状态恢复需要基于曾经的Checkpoint）     *      *      * 2.在一个SparkStreaming应用程序中可以有多个SparkStreamingContext对象，使用下一个SparkStreaming程序之前     * 需要把前面正在运行的SparkStreamingContext对象关闭掉，由此，我们获得一个启发：     *      * SparkStreaming框架也 就是Spark Core上的一个应用程序。     * 只不过需要Spark工程师写业务逻辑代码。     * 所以要掌握好Spark，学好SparkStreaming 就行了。     *      * java虚拟机在os角度上看就是一个简单的c。c++应用程序。     *      * 这里可以用工厂方法创建ssc     *      *创建JavaStramingContext对象，除了接收SparkConf对象外，还需要接收一个batch interval参数，     *就是说，每收集多长时间的数据。划分为一个batch 进行处理 这里设置1s     *      */    JavaStreamingContext jsc = new  JavaStreamingContext(conf,Durations.seconds(1));
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

第三步,创建Spark Streaming输入数据来源:

我们将数据来源配置为本地端口9999（注意端口要求没有被占用）:

    /**     * 第三步：创建Spark Streaming 输入数据来源：input Stream     * 1.数据输入来源可以基于File、HDFS、Flume、Kafka、Socket     *      * 2.在这里我们指定数据来源于网络Socket端口,     * Spark Streaming连接上该端口并在运行的时候一直监听该端口的数据（当然该端口服务首先必须存在，并且在后续会根据业务需要不断的有数据产生）。     *      * 有数据和没有数据 在处理逻辑上没有影响（在程序看来都是数据）     *      * 3.如果经常在每间隔5秒钟 没有数据的话,不断的启动空的job其实是会造成调度资源的浪费。因为 并没有数据需要发生计算。     * 所以企业级生产环境的代码在具体提交Job前会判断是否有数据，如果没有的话，就不再提交Job；     *      *      */    JavaReceiverInputDStream<String>  lines = jsc.socketTextStream("Master", 9999);
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

第四步：我们就像对RDD编程一样，基于DStream进行编程，原因是DStream是RDD产生的模板，在Spark Streaming发生计算前，其实质是把每个Batch的DStream的操作翻译成为了RDD操作。DStream对RDD进行了一次抽象。如同DataFrame对RDD进行一次抽象。JavaRDD —-> JavaDStream

1、flatMap操作：

    JavaDStream<String> words =  lines.flatMap(new FlatMapFunction<String, String>() {        @Override        public Iterable<String> call(String line) throws Exception {            // TODO Auto-generated method stub            return Arrays.asList(line.split(" "));        }    });
1
2
3
4
5
6
7
8

2、 mapToPair操作：

    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 {            // TODO Auto-generated method stub            return new Tuple2<String,Integer>(word,1);        }    });
1
2
3
4
5
6
7
8
9
10
11
12
13

3、reduceByKey操作：

    JavaPairDStream<String, Integer>  wordsCount = pairs.reduceByKey(new Function2<Integer, Integer, Integer>() {        @Override        public Integer call(Integer v1, Integer v2) throws Exception {            // TODO Auto-generated method stub            return v1 + v2;        }    });
1
2
3
4
5
6
7
8

4、print等操作：

    /**     * 此处的print并不会直接触发Job的执行，因为现在的一切都是在Spark Streaming框架的控制之下的。     * 具体是否真正触发Job的运行是基于设置的Duration时间间隔的触发的。     *      *      * Spark应用程序要想执行具体的Job对DStream就必须有output Stream操作。     * ouput Stream 有很多类型的函数触发,类print、savaAsTextFile、saveAsHadoopFiles等，最为重要的是foreachRDD，因为Spark Streamimg处理的结果一般都会     * 放在Redis、DB、DashBoard等上面，foreachRDD主要     * 就是用来 完成这些功能的，而且可以随意的自定义具体数据放在哪里。     *      */    wordsCount.print();    jsc.start();    jsc.awaitTermination();    jsc.close();
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

温馨提示：
1
2

除了print()方法将处理后的数据输出之外，还有其他的方法也非常重要，在开发中需要重点掌握，比如SaveAsTextFile,SaveAsHadoopFile等，最为重要的是foreachRDD方法，这个方法可以将数据写入Redis,DB,DashBoard等，甚至可以随意的定义数据放在哪里，功能非常强大。

二、Scala方式开发

import org.apache.spark.SparkConfimport org.apache.spark.streaming.StreamingContextimport org.apache.spark.streaming.Secondsimport org.apache.spark.storage.StorageLevel/** * @author lxh */object WordCountOnline {  def main(args: Array[String]): Unit = {    /**   * 创建SparkConf   */  val conf =  new SparkConf().setMaster("spark：//Master:7077").setAppName("wordcountonline")  val ssc  = new StreamingContext(conf,Seconds(1))  val lines = ssc.socketTextStream("Master", 9999, StorageLevel.MEMORY_AND_DISK)  /**   * 按空格分割   */  val words = lines.flatMap { line => line.split(" ") }  /**   * 把单个的word变成tuple   */  val wordCount  = words.map { word => (word,1) }  /**   * (key1,1) (key1,1)   * key相同的累加。   */  val wordAgg=wordCount.reduceByKey(_+_)  wordAgg.print()
  ssc.start()  /**   * 等待程序结束   */  ssc.awaitTermination()  ssc.stop(true)  }}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48