通过过滤黑名单案例对SparkStreaming 透彻理解

SparkStreaming是随着流进来数据按照时间为单位生成job，然后触发job在cluster执行的一个流式处理引擎，实质上是加上了时间维度的批处理。DStream是一个RDD的集合，对DStream的操作构成DStream Graph。本文以过滤黑名单为例，进行初步分析。

过渡黑名单代码：

package com.dt.spark.streamingimport org.apache.spark.SparkConfimport org.apache.spark.streaming.{Seconds, StreamingContext}object OnlineBlackListFilter {  def main(args: Array[String]) {    /**      * 第一步：创建Spark的配置对象，设置Spark程序的运行时的配置信息      * 例如说通过setMaster来设置程序要连接的spark集群的master的url，如果设置为      * local， 则代表Spark程序在本地运行，特别适合于机器配置条件非常差      * （例如只有1g的内存）的初学者      */    val conf = new SparkConf() //创建SparkConf对象    conf.setAppName("OnlineBlackListFilter") //设置Spark应用程序的名称，在程序运行的监控界面可以看到名称    //    conf.setMaster("local") //此时，程序在本地运行，不需要安装Spark集群    conf.setMaster("spark://master:7077") //此时，程序在本地运行，不需要安装Spark集群    val ssc = new StreamingContext(conf, Seconds(300))    /**      * 黑名单数据准备，实际上黑名单一般都是动态的，例如在Redis中或者数据库中，黑名单的生成往往有复杂的业务逻辑，      * 具体情况算法不同，但是在SparkStreaming进行处理的时候每次都能够访问完整的信息      *      */    val blackList = Array(("hadoop", true), ("mahout", true))    val blackListRDD = ssc.sparkContext.parallelize(blackList, 8)    val adsClickStream = ssc.socketTextStream("master", 9999)    /**      * 此处模拟的广告点击的每条数据的格式为：time、name      * 此处map操作的结果是name, (time, name)的格式      */    val adsClickStreamFormatted = adsClickStream.map(ads =>(ads.split(" ")(1), ads))    adsClickStreamFormatted.transform(userClickRDD =>{      //通过leftOuterJoin操作既保留了左侧用户广告点击内容的RDD的所有内容，又获得了相应点击内容是否在黑名单中      val joinedBlackListRDD = userClickRDD.leftOuterJoin(blackListRDD)      val validClicked = joinedBlackListRDD.filter(joinedItem => {        /**          *进行filter过滤的时候，其输入元素是一个Tuple：（name,((time, name), boolean)）          * 其中第一个元素是黑名单的名称，第二个元素的第二个元素是进行leftOuterJoin的时候是否存在该值          * 如果存在的话，表明当前广告点击是黑名单，需要过滤掉，否则的话则是有效点击内容；          */        if(joinedItem._2._2.getOrElse(false)){          false        } else {          true        }      })      validClicked.map(validClicked =>{ validClicked._2._1 })    }).print()    /**      * 计算后的有效数据一般都会写入Kafka中，下游的计费系统会从Kafka中pull到有效数据进行计费      */    ssc.start()    ssc.awaitTermination()  }}

Job分析：
1. 为了更好的观察SparkStreaming程序数据的注入流出和处理，将BatchInterval设置成一个比较大的值，eg. 5min
2. 将程序打包放到服务器上，执行nc启动999端口：$nc -lk 999， 在nc中发送数据， 程序收到数据打印出后，中止程序，从history server中观察job：http://master:18080
3. 从UI界面中可以看到有5个job，job0,1都是start，job2,3,4是print，但我们执行代码中只有1个job，即print，可见，SparkStreaming启动的过程中自己会启动一些job
4. 从job id为0到4依次观察各个job以及其中的stages：
1). job0中两个stages，Stage0: makeRDD->map，Stage1:reduceByKey
2). 在job1中有一个stage，stage2: makeRDD，类型为receiver，stage中description：Streaming job running receiver 0，而且运行了1.5min，整个SparkStreaming运行才2min，由此可知，在job1中启动了receiver，receiver一直在不断循环接收数据。receiver就是一个job，也就是说SparkStreaming是通过job启动receiver的，receiver在一个executor上运行，而且以一个task来接收数据，spark aplication中可以启动很多job，不同的job相互配合。另外，Locality Level是PROCESS_LOCAL，内存结点，数据量比较少优先放在内存。
3). 在job2中的三个stages中可以看到业务逻辑处理，Stage3：socket text stream->map， Stage4: parallelize，Stage5: leftOuterJoin->filter->map，数据接收在一台机器上，但是数据处理是在多台机器上，最大化地利用集群资源
4). job3和job4中都有skip的task，需要进一步思考！