Spark Streaming 实现数据实时统计案例

Spark 是一个基于内存式的分布式计算框架。具有高性能，高效可扩展，容错等优点。

今天讲解一下spark的流计算，其实它也不完全是实时的流计算，算是一种准实时的流计算。

上图讲解

运行环境:需要linux环境下的spark环境

本例用的centOS 6.5x64 因为需要使用TCP协议传输数据，所以需要安装一个nc插件。

安装方式: yum  install ncxxx 或者挂载光盘安装

安装后启动nc -lk 9999 端口可以随便指定，最好是1024以上的就可以。

下面贴出代码

java版本的

import java.util.Arrays;
import java.util.List;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.PairFunction;
import org.apache.spark.streaming.Durations;
import org.apache.spark.streaming.api.java.JavaDStream;
import org.apache.spark.streaming.api.java.JavaPairDStream;
import org.apache.spark.streaming.api.java.JavaReceiverInputDStream;
import org.apache.spark.streaming.api.java.JavaStreamingContext;

import com.google.common.base.Optional;

import scala.Tuple2;
public class SparkDemo {
	public static void main(String[] args) {
		SparkConf conf=new SparkConf().setAppName("sparkDemo2").setMaster("local[3]");
		JavaStreamingContext jsc=new JavaStreamingContext(conf,Durations.seconds(5));
		//使用带状态的算子，需要checkpoint做容错处理
		jsc.checkpoint("D://chkspark");
		JavaReceiverInputDStream<String> socketTextStream=jsc.socketTextStream("10.115.27.234", 1000);
		JavaDStream<String> wordsDstream=socketTextStream.flatMap(new FlatMapFunction<String, String>() {

			private static final long serialVersionUID=1L;
			public Iterable<String> call(String line) throws Exception {
					return Arrays.asList(line.split(" "));
			}
			});
		JavaPairDStream<String, Integer> wordsToPairDstream=wordsDstream.mapToPair(new PairFunction<String, String,Integer>() {

			private static final long SerialVersionUID=1L;
			public Tuple2<String, Integer> call(String word) throws Exception {
				
				return new Tuple2<String, Integer>(word, 1);
			}
		});
		/**
		 * 一个batch对应一个RDD。 
		 * */ 
		JavaPairDStream<String, Integer> resultDstream=wordsToPairDstream.updateStateByKey(new Function2<List<Integer>, Optional<Integer>, Optional<Integer>>() {

			private static final long serialVersionUID=1L;
			public Optional<Integer> call(List<Integer> values, Optional<Integer> state) throws Exception {
				Integer oldValue=0;   //默认旧value是0
				if (state.isPresent()) {
					oldValue=state.get();
				}
				for (Integer value:values) {
					oldValue+=value;
				}
				return Optional.of(oldValue);
			}
		});
		//打印结果
		resultDstream.print();
		jsc.start();
		jsc.awaitTermination();
	}
}

程序测试: 从linux端的nc 下输入任意字符串，spark streaming会实时对输入的数据做出统计。类似于wordcount. 除非手动kill这个进程，否则会一直运行下去。因为它的原理就是和自来水的水流一样，是一连串的数据流。

运行结果展示:

也可以用scala写出同样的程序，代码量更少。

需要深入理解spark streaming的架构原理。