spark Streaming 实例

《倾情大奉送–Spark入门实战系列》
http://www.cnblogs.com/shishanyuan/p/4699644.html

流数据模拟器

在实例演示中模拟实际情况，需要源源不断地接入流数据，为了在演示过程中更接近真实环境将定义流数据模拟器。该模拟器主要功能：通过Socket方式监听指定的端口号，当外部程序通过该端口连接并请求数据时，模拟器将定时将指定的文件数据随机获取发送给外部程序。
模拟器代码：

import java.io.{PrintWriter}import java.net.ServerSocketimport scala.io.Sourceobject StreamingSimulation {  // 定义随机获取整数的方法  def index(length: Int) = {    import java.util.Random    val rdm = new Random    rdm.nextInt(length)  }  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(content)            out.write(content + '\n')            out.flush()          }          socket.close()        }      }.start()    }  }}

将模拟器打包，复制打包文件到spark根目录

---

实例1:读取文件演示

在该实例中Spark Streaming将监控某目录中的文件，获取在间隔时间段内变化的数据，然后通过Spark Streaming计算出改时间段内单词统计数。
演示代码：

import org.apache.spark.SparkConfimport org.apache.spark.streaming.{Seconds, StreamingContext}import org.apache.spark.streaming.StreamingContext._object FileWordCount {  def main(args: Array[String]) {    val sparkConf = new SparkConf().setAppName("FileWordCount").setMaster("local[2]")    // 创建Streaming的上下文，包括Spark的配置和时间间隔，这里时间为间隔20秒    val ssc = new StreamingContext(sparkConf, Seconds(20))    // 指定监控的目录，在这里为/home/hadoop/temp/    val lines = ssc.textFileStream("/home/hadoop/temp/")    // 对指定文件夹变化的数据进行单词统计并且打印    val words = lines.flatMap(_.split(" "))    val wordCounts = words.map(x => (x, 1)).reduceByKey(_ + _)    wordCounts.print()       // 启动Streaming    ssc.start()    ssc.awaitTermination()  }}

---

实例2:网络数据演示

在该实例中将由4.1流数据模拟以1秒的频度发送模拟数据，Spark Streaming通过Socket接收流数据并每20秒运行一次用来处理接收到数据，处理完毕后打印该时间段内数据出现的频度，即在各处理段时间之间状态并无关系

该实例需要启动数据流模拟器

演示代码：

import org.apache.spark.{SparkContext, SparkConf}import org.apache.spark.streaming.{Milliseconds, Seconds, StreamingContext}import org.apache.spark.streaming.StreamingContext._import org.apache.spark.storage.StorageLevelobject NetworkWordCount {  def main(args: Array[String]) {    val conf = new SparkConf().setAppName("NetworkWordCount").setMaster("local[2]")    val sc = new SparkContext(conf)    val ssc = new StreamingContext(sc, Seconds(20))    // 通过Socket获取数据，该处需要提供Socket的主机名和端口号，数据保存在内存和硬盘中    val lines = ssc.socketTextStream(args(0), args(1).toInt, StorageLevel.MEMORY_AND_DISK_SER)    // 对读入的数据进行分割、计数    val words = lines.flatMap(_.split(","))    val wordCounts = words.map(x => (x, 1)).reduceByKey(_ + _)    wordCounts.print()    ssc.start()    ssc.awaitTermination()  }}

---

原文详细内容：
http://www.cnblogs.com/shishanyuan/p/4747749.html