SparkStreaming之foreachRDD

首先我们来对官网的描述了解一下。

DStream中的foreachRDD是一个非常强大函数，它允许你把数据发送给外部系统。因为输出操作实际上是允许外部系统消费转换后的数据，它们触发的实际操作是DStream转换。所以要掌握它，对它要有深入了解。下面有一些常用的错误需要理解。经常写数据到外部系统需要创建一个连接的object（eg:根据TCP协议连接到远程的服务器，我们连接外部数据库需要自己的句柄）和发送数据到远程的系统为此，开发者需要在Spark的driver创建一个object用于连接。

为了达到这个目的，开发人员可能不经意的在Spark驱动中创建一个连接对象，但是在Spark worker中 尝试调用这个连接对象保存记录到RDD中，如下：

dstream.foreachRDD { rdd =>  val connection = createNewConnection()  // executed at the driver  rdd.foreach { record =>    connection.send(record) // executed at the worker  }}

这是不正确的，因为这需要先序列化连接对象，然后将它从driver发送到worker中。这样的连接对象在机器之间不能

传送。它可能表现为序列化错误（连接对象不可序列化）或者初始化错误（连接对象应该 在worker中初始化）等

等。正确的解决办法是在worker中创建连接对象。

然而，这会造成另外一个常见的错误-为每一个记录创建了一个连接对象。例如：

dstream.foreachRDD { rdd =>  rdd.foreach { record =>    val connection = createNewConnection()    connection.send(record)    connection.close()  }}

通常，创建一个连接对象有资源和时间的开支。因此，为每个记录创建和销毁连接对象会导致非常高的开支，明显

的减少系统的整体吞吐量。一个更好的解决办法是利用rdd.foreachPartition方法。 为RDD的partition创建一个连接对

象，用这个两件对象发送partition中的所有记录。

dstream.foreachRDD { rdd =>  rdd.foreachPartition { partitionOfRecords =>    val connection = createNewConnection()    partitionOfRecords.foreach(record => connection.send(record))    connection.close()  }}

最后，可以通过在多个RDD或者批数据间重用连接对象做更进一步的优化。开发者可以保有一个静态的连接对象

池，重复使用池中的对象将多批次的RDD推送到外部系统，以进一步节省开支

dstream.foreachRDD { rdd =>  rdd.foreachPartition { partitionOfRecords =>    // ConnectionPool is a static, lazily initialized pool of connections    val connection = ConnectionPool.getConnection()    partitionOfRecords.foreach(record => connection.send(record))    ConnectionPool.returnConnection(connection)  // return to the pool for future reuse  }}

需要注意的是，池中的连接对象应该根据需要延迟创建，并且在空闲一段时间后自动超时。这样就获取了最有效的

方式发生数据到外部系统。

其它需要注意的地方：

（1）输出操作通过懒执行的方式操作DStreams，正如RDD action通过懒执行的方式操作RDD。具体地看，RDD 

actions和DStreams输出操作接收数据的处理。因此，如果你的应用程序没有任何输出操作或者 用于输出操作

dstream.foreachRDD()，但是没有任何RDD action操作在dstream.foreachRDD()里面，那么什么也不会执行。系统

仅仅会接收输入，然后丢弃它们。

（2）默认情况下，DStreams输出操作是分时执行的，它们按照应用程序的定义顺序按序执行。

实验1：把SparkStreaming的内部数据存入Mysql

（1）在mysql中创建一个表用于存放数据

mysql> create database sparkStreaming;Query OK, 1 row affected (0.01 sec) mysql> use sparkStreaming;Database changedmysql> show tables;Empty set (0.01 sec) mysql> create table searchKeyWord(insert_time date,keyword varchar(30),search_count integer);Query OK, 0 rows affected (0.05 sec)

（2）用scala编写连接Mysql的连接池

import java.sql.Connectionimport java.sql.PreparedStatementimport java.sql.ResultSetimport org.apache.commons.dbcp.BasicDataSourceimport org.apache.log4j.Loggerobject scalaConnectPool {  val  log = Logger.getLogger(scalaConnectPool.this.getClass)  var ds:BasicDataSource = null  def getDataSource={    if(ds == null){      ds = new BasicDataSource()      ds.setUsername("root")      ds.setPassword("iamhaoren")      ds.setUrl("jdbc:mysql://localhost:3306/sparkStreaming")      ds.setDriverClassName("com.mysql.jdbc.Driver")      ds.setInitialSize(20)      ds.setMaxActive(100)      ds.setMinIdle(50)      ds.setMaxIdle(100)      ds.setMaxWait(1000)      ds.setMinEvictableIdleTimeMillis(5*60*1000)      ds.setTimeBetweenEvictionRunsMillis(10*60*1000)      ds.setTestOnBorrow(true)    }    ds  }  def getConnection : Connection= {    var connect:Connection = null    try {      if(ds != null){        connect = ds.getConnection      }else{        connect = getDataSource.getConnection      }    }    connect  }  def shutDownDataSource: Unit=if (ds !=null){ds.close()}  def closeConnection(rs:ResultSet,ps:PreparedStatement,connect:Connection): Unit ={    if(rs != null){rs.close}    if(ps != null){ps.close}    if(connect != null){connect.close}  }}

(3)编写SparkStreaming程序

import org.apache.spark.SparkConfimport org.apache.spark.streaming.{Seconds, StreamingContext}object dataToMySQL {  def main(args: Array[String]) {    val conf = new SparkConf().setAppName("use the foreachRDD write data to mysql").setMaster("local[2]")    val ssc = new StreamingContext(conf,Seconds(10))    val streamData = ssc.socketTextStream("master",9999)    val wordCount = streamData.map(line =>(line.split(",")(0),1)).reduceByKeyAndWindow(_+_,Seconds(60))    val hottestWord = wordCount.transform(itemRDD => {      val top3 = itemRDD.map(pair => (pair._2, pair._1))        .sortByKey(false).map(pair => (pair._2, pair._1)).take(3)      ssc.sparkContext.makeRDD(top3)    })    hottestWord.foreachRDD( rdd =>{      rdd.foreachPartition(partitionOfRecords =>{        val connect = scalaConnectPool.getConnection        connect.setAutoCommit(false)        val stmt = connect.createStatement()        partitionOfRecords.foreach(record =>{          stmt.addBatch("insert into searchKeyWord (insert_time,keyword,search_count) values (now(),'"+record._1+"','"+record._2+"')")        })        stmt.executeBatch()        connect.commit()      }      )    }    )    ssc.start()    ssc.awaitTermination()    ssc.stop()  }}

（4）编写一个socket端的数据模拟器

import java.io.{PrintWriter}  import java.net.ServerSocket  import scala.io.Source      object streamingSimulation {    def index(n: Int) = scala.util.Random.nextInt(n)      def main(args: Array[String]) {      // 调用该模拟器需要三个参数，分为为文件路径、端口号和间隔时间（单位：毫秒）      if (args.length != 3) {        System.err.println("Usage: <filename> <port> <millisecond>")        System.exit(1)      }        // 获取指定文件总的行数      val filename = args(0)      val lines = Source.fromFile(filename).getLines.toList      val filerow = lines.length        // 指定监听某端口，当外部程序请求时建立连接      val listener = new ServerSocket(args(1).toInt)        while (true) {        val socket = listener.accept()        new Thread() {          override def run = {            println("Got client connected from: " + socket.getInetAddress)            val out = new PrintWriter(socket.getOutputStream(), true)            while (true) {              Thread.sleep(args(2).toLong)              // 当该端口接受请求时，随机获取某行数据发送给对方              val content = lines(index(filerow))              println("-------------------------------------------")              println(s"Time: ${System.currentTimeMillis()}")              println("-------------------------------------------")              println(content)              out.write(content + '\n')              out.flush()            }            socket.close()          }        }.start()      }    }    }  

实验数据为：

spark
Streaming
better
than
storm
you
need
it
yes
do
it

（5）实验启动

在客户端启动数据流模拟

对socket端的数据模拟器程序进行 jar文件的打包，并放入到集群目录中

启动程序如下：

java -cp DataSimulation.jar streamingSimulation /root/application/upload/Information 9999 1000

启动SparkStreaming程序

结果如下：