基于HDFS的SparkStreaming案例实战和内幕源码解密

本博文主要阐述基于HDFS的 Spark Streaming简单操作：
一：集群操作前步骤主要包括：
（1）启动Hadoop HDFS如下图所示（底下的图是在master:50070界面监测）：

出现上图所示证明启动成功
（2）启动Spark集群，如下图所示（底下图是在master：8080界面监测）：

（3）启动start-history-server.sh，如下图所示：

二：在eclipse上编写代码：
（1），代码如下：

public class SparkStreamingOnHDFS {    public static void main(String[] args) {        /*         * 第一步：配置SparkConf：         * 1，至少2条线程：因为Spark Streaming应用程序在运行的时候，至少有一条         * 线程用于不断的循环接收数据，并且至少有一条线程用于处理接受的数据（否则的话无法         * 有线程用于处理数据，随着时间的推移，内存和磁盘都会不堪重负）；         * 2，对于集群而言，每个Executor一般肯定不止一个Thread，那对于处理Spark Streaming的         * 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（一个段子分配为奇数个Core表现最佳，例如3个、5个、7个Core等）；         */        /*SparkConf conf = new SparkConf().setMaster("local[2]").                setAppName("WordCountOnline");*/        final SparkConf conf = new SparkConf().setMaster("spark://Master:7077").                setAppName("SparkStreamingOnHDFS");        /*         * 第二步：创建SparkStreamingContext：         * 1，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         * 来恢复过来（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，         * 所有需要在Driver重新启动后继续上衣系的状态，此时的状态恢复需要基于曾经的Checkpoint）；         * 2，在SparkStreaming应用程序中可以创建若干个SparkStreamingContext对象，使用下一个        SparkStreaming之前需要把前面正在运行的SparkStreamingContext关闭掉，由此，我们获得一个重大的启发SparkStreaming框架也只是        Spark Core 上的一个应用程序而已，只不过SparkStreamingContext框架箱运行的haunt需要Spark工程师写业务逻辑处理代码；        *///      JavaStreamingContext jsc = new JavaStreamingContext(conf,Durations.seconds(5));        final String checkpointDirectory = "hdfs://Master:9000/library/SparkStreaming/CheckPoint_Data";        JavaStreamingContextFactory factory = new JavaStreamingContextFactory(){            @Override            public JavaStreamingContext create() {                return createContext(checkpointDirectory,conf);            }        };        /*         * 可以从失败中回复Driver，不多还需要指定Driver这个程序运行在Cluster，并且提交应用程序的时候         * 制定--supervise*/        JavaStreamingContext jsc = JavaStreamingContext.getOrCreate(checkpointDirectory, factory);        /*第三步：创建SparkStreaming 输入数据来源input Stream         * 1，数据输入来源可以基于File，HDFS，Flume,Kafka,Socket等         * 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地有数据产生（当然对于Spark Streaming） 应用程序而言，有无数据其处理流程都是一样的）；         * 3，如果经常在每间隔5秒钟没有数据的话不断地启动空的JOb其实是会造成调度资源的浪费，因为没有数据需要发生计算，所以实例的企业级生成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;         * 4,此处没有Receiver，SparkStreaming应用程序只是按照时间间隔监控目录下每个Batch新增的内容（把新增的）作为RDD的数据来源生产原始RDD         * */        JavaDStream<String> lines = jsc.textFileStream("hdfs://Master:9000/library/SparkStreaming/Data");        /*第四步：接下来就像对于RDD编程一样基于DStream进行编程！！！原因是DStream是RDD产生的模板（或者说类），在Spark Streaming具体发生计算前，         * 其实质是把每个Batch的DStream的操作翻译成以对RDD的操作！！！         *对初始的DStream进行Transformation级别的处理，例如map,filter等高阶函数等编程，在进行具体的数据计算         *第4.1步：将每一行的字符串拆分成单个的单词*/    JavaDStream<String> words = lines.flatMap(new FlatMapFunction<String,String>(){//如果是Scala，由于SAM转换，所以可以写成 val words = lines.flatMap{line => line.split(" ")}        @Override        public Iterable<String> call(String line) throws Exception {            // TODO Auto-generated method stub            return Arrays.asList(line.split(" "));        }    });    /*第四步：对初始的DStream进行Transformation级别的处理，例如map，filter等高阶函数的编程，在进行具体的数据计算     * 第4.2步：在单词拆分的基础上对每个单词实例计数为1，也就是word => (word,1)*/    JavaPairDStream<String,Integer> pairs = words.mapToPair(new PairFunction<String, String, Integer>() {            @Override            public Tuple2<String, Integer> call(String word) throws Exception {                return new Tuple2<String,Integer>(word,1);            }        });    /*第四步：对初始的DStream进行Transformation级别的处理，例如map,filter等高阶函数等的编程，来进行具体数据计算     * 第4.3步：在每个单词实例计数为1基础上统计每个单词在文件中出现的总次数*/    JavaPairDStream<String, Integer> wordsCount = pairs.reduceByKey(new Function2<Integer, Integer, Integer>() {//      对相同的key,进行Value的累计（包括Local和Reduce级别同时Reduce）        @Override        public Integer call(Integer v1, Integer v2) throws Exception {            return v1 + v2;        }    });    /*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，对于Spark Streaming而言具体是否触发真正的Job     * 运行时基于设置的Duration时间间隔的     * 诸位一定要注意的是Spark Streaming应用程序要想执行具体的Job，对DStream就必须有output Stream操作，output Stream有很多类型的函数触发，     * 类print、saveAsTextFile、saveAsHadoopFiles等，最重要的一个方法是foreachRDD，因为Spark Streaming处理的结果一般都放在Redis、DB、DashBoard等上面，foreach     * 主要就是用来完成这些功能，而且可以随意的自定义具体数据放在哪里！！！*/    wordsCount.print();    /*     * Spark Streaming 执行引擎也就是Driver开始运行，Driver启动的时候是位于一条新的线程中的，当然其内部有消息循环体，用于接收应用程序本身或者Executor中的消息*/    jsc.start();    jsc.awaitTermination();    jsc.close();    }    private static JavaStreamingContext createContext(            String checkpointDirectory, SparkConf conf) {        // TODO Auto-generated method stub        System.out.println("Creating new context");        SparkConf sparkConf = conf;        JavaStreamingContext ssc = new JavaStreamingContext(sparkConf,Durations.seconds(5));        ssc.checkpoint(checkpointDirectory);        return ssc;    }}

三：代码打包在集群中运行：
(1):首先将上述写好的代码打包到集群
(2)：接下来分别启动Hadoop与Spark与Spark-history服务，之后在web端监测是否启动成功

(3)在集群中建好输入与输出数据的目录

在运行时我遇到了streaming.SparkStreamingContext的错误提示，这时候只需要将CheckPoint_Data文件夹删除重新在建立一遍就可主要原因为：（1）Streaming会定期的进行checkpoint。（2）重新启动程序的时候，他会从曾经checkpoint的目录中，如果没有做额外配置的时候，所有的信息都会放在checkpoint的目录中(包括曾经应用程序信息)，因此下次再次启动的时候就会报错，无法初始化ShuffleDStream。

（4）在这里使用脚本的形式，启动程序，脚本内容入下：

/usr/local/spark/bin/spark-submit --class com.dt.spark.SparkApps.sparkstreaming.SparkStreamingOnHDFS --master spark://Master:7077 /root/Documents/SparkApps/SparkStreamingOnHDFS.jar

（5）查询成功如下图所示：

四：Spark Streaming on HDFS源码解密

1，JavaStreamingContextFactory的create方法可以创建JavaStreamingContext
2，而我们在具体实现的时候覆写了该方法，内部就是调用createContext方法来具体实现。上述实战案例中我们实现了createContext方法（在代码最后部分）。

3.checkpoint:
一方面保持容错，一方面保持状态，在开始和结束的时候每个batch都会进行checkpoint

4.remember:
流式处理中过一段时间数据就会被清理掉，但是可以通过remember可以延长数据在程序中的生命周期，另外延长RDD更长的时间。
应用场景：
假设数据流进来，进行ML或者Graphx的时候有时需要很长时间，但是bacth定时定条件的清除RDD，所以就可以通过remember使得数据可以延长更长时间

5.在JavaStreamingContext中，getOrCreate方法源码如下：
　　如果设置了checkpoint ，重启程序的时候，getOrCreate()会重新从checkpoint目录中初始化出StreamingContext。
　　

 /**   * Either recreate a StreamingContext from checkpoint data or create a new StreamingContext.   * If checkpoint data exists in the provided `checkpointPath`, then StreamingContext will be   * recreated from the checkpoint data. If the data does not exist, then the provided factory   * will be used to create a JavaStreamingContext.   *   * @param checkpointPath Checkpoint directory used in an earlier StreamingContext program   * @param creatingFunc   Function to create a new JavaStreamingContext   * @param hadoopConf     Hadoop configuration if necessary for reading from any HDFS compatible   *                       file system   * @param createOnError  Whether to create a new JavaStreamingContext if there is an   *                       error in reading checkpoint data.   */  def getOrCreate(      checkpointPath: String,      creatingFunc: JFunction0[JavaStreamingContext],      hadoopConf: Configuration,      createOnError: Boolean    ): JavaStreamingContext = {    val ssc = StreamingContext.getOrCreate(checkpointPath, () => {      creatingFunc.call().ssc    }, hadoopConf, createOnError)    new JavaStreamingContext(ssc)  }

博文内容源自DT大数据梦工厂Spark课程。相关课程内容视频可以参考：
百度网盘链接：http://pan.baidu.com/s/1slvODe1（如果链接失效或需要后续的更多资源，请联系QQ460507491或者微信号：DT1219477246 获取上述资料）。