Spark Streaming(一)—— Spark Streaming介绍

2024-06-19 04:38
文章标签 介绍 spark streaming

本文主要是介绍Spark Streaming(一)—— Spark Streaming介绍,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

文章目录

  • 1. 什么是Spark Streaming
  • 2. Spark Streaming特点
  • 3. 常用的实时计算引擎
  • 4. Spark Streaming内部结构
  • 5. StreamingContext对象创建方式
  • 6. 离散流DStream
    • 6.1 什么是DStream
    • 6.2 DStream中的算子
  • 7. 窗口

1. 什么是Spark Streaming

Spark Streaming makes it easy to build scalable fault-tolerant streaming applications.
易于构建灵活的、高容错的流式系统。

流式计算框架

Spark Streaming是核心Spark API的扩展,可实现可扩展、高吞吐量、可容错的实时数据流处理。数据可以从诸如Kafka,Flume,Kinesis或TCP套接字等众多来源获取,并且可以使用由高级函数(如map,reduce,join和window)开发的复杂算法进行流数据处理。最后,处理后的数据可以被推送到文件系统,数据库和实时仪表板。而且还可以在数据流上应用Spark提供的机器学习和图处理算法。

在这里插入图片描述

2. Spark Streaming特点

  • 易用:已经集成在Spark中
  • 容错性:底层也是RDD,RDD本身就具备了容错机制。
  • 支持多种语言:Java Scala Python

3. 常用的实时计算引擎

  1. Apache Storm:真正的流式计算

  2. Spark Streaming:严格上来说,Spark Streaming不是真正的流式计算。

    把连续的流式数据,当成不连续的RDD来处理。
    本质上:是一个离线计算。当采样时间特别短时,可以看成是流式计算。

  3. Flink:真正的流式计算。跟Spark Streaming 相反。

    把离散的数据,当成流式数据来处理。
    目前还不稳定。从1.8升级到1.9就有很多改变。而且对语言这块,支持比较好的也只是Java和Scala。而且对于机器学习建模这块,虽然有这个东西,但是跟Spark相比,还是有很大差距。所以目前用到最多的还是Spark。Flink是一个未来的东西。

4. Spark Streaming内部结构

内部工作原理如下。Spark Streaming接收实时输入数据流,并将数据切分成批,然后由Spark引擎对其进行处理,最后生成“批”形式的结果流。

在这里插入图片描述

Spark Streaming将连续的数据流抽象为discretizedstream或DStream。在内部,DStream 由一个RDD序列表示。

5. StreamingContext对象创建方式

方式一:通过SparkConf创建

//local[2]代表开启两个线程
val conf = new SparkConf().setAppName("MyNetwordWordCount").setMaster("local[2]")//接收两个参数,第一个conf,第二个是采样时间间隔
val ssc = new StreamingContext(conf,Seconds(3))

程序中的几点说明:

  • appName参数是应用程序在集群UI上显示的名称。
  • master是Spark,Mesos或YARN集群的URL,或者一个特殊的“local [*]”字符串来让程序以本地模式运行。
  • 当在集群上运行程序时,不需要在程序中硬编码master参数,而是使用spark-submit提交应用程序并将master的URL以脚本参数的形式传入。但是,对于本地测试和单元测试,可以通过“local[*]”来运行Spark Streaming程序(请确保本地系统中的CPU核数够用)。
  • StreamingContext会内在的创建一个SparkContext的实例(所有Spark功能的起始点),你可以通过ssc.sparkContext访问到这个实例。
  • 批处理的时间窗口长度必须根据应用程序的延迟要求和可用的集群资源进行设置。

请务必记住以下几点:

  • 一旦一个StreamingContext开始运作,就不能设置或添加新的流计算。
  • 一旦一个上下文被停止,它将无法重新启动。
  • 同一时刻,一个JVM中只能有一个StreamingContext处于活动状态。
  • StreamingContext上的stop()方法也会停止SparkContext。 要仅停止StreamingContext(保持SparkContext活跃),请将stop() 方法的可选参数stopSparkContext设置为false。
  • 只要前一个StreamingContext在下一个StreamingContext被创建之前停止(不停止SparkContext),SparkContext就可以被重用来创建多个StreamingContext。

方式二:从现有的SparkContext实例中创建

在这里插入图片描述

6. 离散流DStream

6.1 什么是DStream

DStream(DiscretizedStream),是Spark Streaming对流式数据的基本抽象。它表示连续的数据流,这些连续的数据流可以是从数据源接收的输入数据流,也可以是通过对输入数据流执行转换操作而生成的经处理的数据流。在内部,DStream由一系列连续的RDD表示。

简单的说,就是把连续的数据变成不连续的RDD。DStream是RDD的集合,包含不连续的RDD。DStream的每一个RDD都包含一定时间间隔内的数据。表现形式依然是RDD。操作DStream和操作RDD是一样的。

6.2 DStream中的算子

在这里插入图片描述

  • transform(func)

    val wordCount = words.map((_,1)).reduceByKey(_+_)

    等价于 ==>
    val wordCount = words.transform(x => x.map((_,1))).reduceByKey(_+_)

  • updateStateByKey(func)

    默认情况下,Spark Streaming 不记录之前的状态,每次发一条数据,都是从0开始计算。用这个算子可以实现更新DStream的状态。

    import org.apache.log4j.Logger
    import org.apache.log4j.Level
    import org.apache.spark.SparkConf
    import org.apache.spark.streaming.StreamingContext
    import org.apache.spark.streaming.Seconds
    import org.apache.spark.storage.StorageLevelobject MyTotalNetworkWordCount {def main(args: Array[String]): Unit = {System.setProperty("hadoop.home.dir", "G:\\bin\\hadoop-2.5.2")Logger.getLogger("org.apache.spark").setLevel(Level.ERROR)Logger.getLogger("org.eclipse.jetty.server").setLevel(Level.OFF)val conf = new SparkConf().setMaster("local[2]").setAppName("MyTotalNetworkWordCount")val ssc = new StreamingContext(conf,Seconds(3))//设置检查点目录,保存之前的状态信息ssc.checkpoint("hdfs://topnpl200:8020/tmp_files/chkp0826")val lines = ssc.socketTextStream("192.168.15.131", 1234, StorageLevel.MEMORY_ONLY)val words = lines.flatMap(_.split(" "))val wordPair = words.map((_,1))/*** 两个参数:* 第一个参数:当前的值是多少* 第二个参数:之前的结果是多少*/val addFunc = (curreValues:Seq[Int],previousValues:Option[Int]) => {// 进行累加运算// 1、把当前值的序列进行累加val currentTotal = curreValues.sum//2、在之前的值上再累加Some( currentTotal + previousValues.getOrElse(0) )}//进行累加运算val total = wordPair.updateStateByKey(addFunc)total.print()ssc.start()ssc.awaitTermination()}
    }
    

7. 窗口

处理落在窗口中的数据。也是DStream,也是RDD。

注意:

窗口参数有要求,不能随便设置。窗口大小和移动大小,都必须是DStream的批间隔的整数倍。

import org.apache.log4j.Logger
import org.apache.log4j.Level
import org.apache.spark.SparkConf
import org.apache.spark.streaming.StreamingContext
import org.apache.spark.streaming.Seconds
import org.apache.spark.storage.StorageLevel/*** 需求:每10秒,对过去30秒的数据进行累加** 窗口长度:30秒** 滑动距离:10秒**/
object MyNetWorkWordCountByWindow {def main(args: Array[String]): Unit = {System.setProperty("hadoop.home.dir", "G:\\bin\\hadoop-2.5.2")Logger.getLogger("org.apache.spark").setLevel(Level.ERROR)Logger.getLogger("org.eclipse.jetty.server").setLevel(Level.OFF)val conf = new SparkConf().setAppName("MyNetWorkWordCountByWindow").setMaster("local[2]")// 这里设成3s会报错。改成1s。val ssc = new StreamingContext(conf,Seconds(1))val lines = ssc.socketTextStream("192.168.15.131", 1234, StorageLevel.MEMORY_ONLY)val words = lines.flatMap(_.split(" ")).map((_,1))/*** reduce By Key And Window* 三个参数* 1、要进行什么操作* 2、窗口的大小* 3、窗口滑动的距离*/val result = words.reduceByKeyAndWindow((x:Int,y:Int)=>(x+y),Seconds(30),Seconds(10))result.print()ssc.start()ssc.awaitTermination()}}

这篇关于Spark Streaming(一)—— Spark Streaming介绍的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1074028

相关文章

MySQL中慢SQL优化的不同方式介绍

《MySQL中慢SQL优化的不同方式介绍》慢SQL的优化,主要从两个方面考虑,SQL语句本身的优化,以及数据库设计的优化,下面小编就来给大家介绍一下有哪些方式可以优化慢SQL吧... 目录避免不必要的列分页优化索引优化JOIN 的优化排序优化UNION 优化慢 SQL 的优化,主要从两个方面考虑,SQL 语

C++中函数模板与类模板的简单使用及区别介绍

《C++中函数模板与类模板的简单使用及区别介绍》这篇文章介绍了C++中的模板机制,包括函数模板和类模板的概念、语法和实际应用,函数模板通过类型参数实现泛型操作,而类模板允许创建可处理多种数据类型的类,... 目录一、函数模板定义语法真实示例二、类模板三、关键区别四、注意事项 ‌在C++中,模板是实现泛型编程

Python实现html转png的完美方案介绍

《Python实现html转png的完美方案介绍》这篇文章主要为大家详细介绍了如何使用Python实现html转png功能,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 1.增强稳定性与错误处理建议使用三层异常捕获结构:try: with sync_playwright(

Java使用多线程处理未知任务数的方案介绍

《Java使用多线程处理未知任务数的方案介绍》这篇文章主要为大家详细介绍了Java如何使用多线程实现处理未知任务数,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 知道任务个数,你可以定义好线程数规则,生成线程数去跑代码说明:1.虚拟线程池:使用 Executors.newVir

JAVA SE包装类和泛型详细介绍及说明方法

《JAVASE包装类和泛型详细介绍及说明方法》:本文主要介绍JAVASE包装类和泛型的相关资料,包括基本数据类型与包装类的对应关系,以及装箱和拆箱的概念,并重点讲解了自动装箱和自动拆箱的机制,文... 目录1. 包装类1.1 基本数据类型和对应的包装类1.2 装箱和拆箱1.3 自动装箱和自动拆箱2. 泛型2

四种Flutter子页面向父组件传递数据的方法介绍

《四种Flutter子页面向父组件传递数据的方法介绍》在Flutter中,如果父组件需要调用子组件的方法,可以通过常用的四种方式实现,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录方法 1:使用 GlobalKey 和 State 调用子组件方法方法 2:通过回调函数(Callb

Python进阶之Excel基本操作介绍

《Python进阶之Excel基本操作介绍》在现实中,很多工作都需要与数据打交道,Excel作为常用的数据处理工具,一直备受人们的青睐,本文主要为大家介绍了一些Python中Excel的基本操作,希望... 目录概述写入使用 xlwt使用 XlsxWriter读取修改概述在现实中,很多工作都需要与数据打交

java脚本使用不同版本jdk的说明介绍

《java脚本使用不同版本jdk的说明介绍》本文介绍了在Java中执行JavaScript脚本的几种方式,包括使用ScriptEngine、Nashorn和GraalVM,ScriptEngine适用... 目录Java脚本使用不同版本jdk的说明1.使用ScriptEngine执行javascript2.

Python实现NLP的完整流程介绍

《Python实现NLP的完整流程介绍》这篇文章主要为大家详细介绍了Python实现NLP的完整流程,文中的示例代码讲解详细,具有一定的借鉴价值,感兴趣的小伙伴可以跟随小编一起学习一下... 目录1. 编程安装和导入必要的库2. 文本数据准备3. 文本预处理3.1 小写化3.2 分词(Tokenizatio

SpringBoot操作spark处理hdfs文件的操作方法

《SpringBoot操作spark处理hdfs文件的操作方法》本文介绍了如何使用SpringBoot操作Spark处理HDFS文件,包括导入依赖、配置Spark信息、编写Controller和Ser... 目录SpringBoot操作spark处理hdfs文件1、导入依赖2、配置spark信息3、cont