Scala和Java二种方式实战Spark Streaming开发

在这里我主要借鉴课上老师讲的以及官网的ＡＰＩ来进行简单的Spark Streaming的开发：

一：java形式：

1.我们可以总结一下步骤：

第一步：创建SparkConf对象

第二步：创建SparkStreamingContext

第三步：创建爱你SparkStreaming输入数据来源（我们将数据源配置为本地端口9999（要求端口没有被占用））

第四步：我们就像对RDD编程一样，基于DStream进行编程，原因是DStream是RDD产生的模板，在Spark Streaming发生计算前，其实质是把每个Batch的DStream的操作翻译成了RDD操作

补充说明：

除了print()方法将处理后的数据输出之外，还有其他的方法也非常重要，在开发中需要重点掌握，比如SaveAsTextFile,SaveAsHadoopFile等，最为重要的是foreachRDD方法，这个方法可以将数据写入Redis,DB,DashBoard等，甚至可以随意的定义数据放在哪里，功能非常强大。

public class WordCountOnline {

    public static void main(String[] args) {
/*  第一步：配置SparkConf：
    1，至少两条线程因为Spark Streaming应用程序在运行的时候至少有一条线程用于
        不断地循环接受程序，并且至少有一条线程用于处理接受的数据（否则的话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一般肯定不止一个线程，那对于处理SparkStreaming
        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");
        SparkConf conf = new SparkConf().setMaster("spark：//Master:7077").setAppName("WordCountOnline");
/*      第二步：创建SparkStreamingContext,
        1，这个是SparkStreaming应用春香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参数也可以基于持久化的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SparkStreaming具有连续7*24
        小时不间断运行的特征，所以需要Driver重新启动后继续上一次的状态，此时的状态恢复需要基于曾经的Checkpoint））
        2，在一个Sparkstreaming 应用程序中可以创建若干个SparkStreaming对象，使用下一个SparkStreaming
    之前需要把前面正在运行的SparkStreamingContext对象关闭掉，由此，我们获取一个重大的启发
        我们获得一个重大的启发SparkStreaming也只是SparkCore上的一个应用程序而已，只不过SparkStreaming框架想运行的话需要
        spark工程师写业务逻辑
*/
        @SuppressWarnings("resource")
        JavaStreamingContext jsc = new JavaStreamingContext(conf,Durations.seconds());

/*      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，SparkStreaming连接上该端口并在运行时候一直监听
    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数据产生当然对于SparkStreaming
    应用程序的而言，有无数据其处理流程都是一样的）;
        3,如果经常在每个5秒钟没有数据的话不断地启动空的Job其实会造成调度资源的浪费，因为并没有数据发生计算
        所以实际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数据
*/
        JavaReceiverInputDStream<String> lines = jsc.socketTextStream("Master", );
    /*
     * 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SparkStreaming发生计算前，其实质是把每个Batch的Dstream的操作翻译成RDD的操作
     * 对初始的DTStream进行Transformation级别处理
     * */
        JavaDStream<String> words = lines.flatMap(new FlatMapFunction<String,String>(){ //如果是Scala，由于SAM装换，可以写成val words = lines.flatMap{line => line.split("　＂)}

            @Override
            public Iterable<String> call(String line) throws Exception {

                return Arrays.asList(line.split(" "));//将其变成Iterable的子类
            }
        });
//      第四步：对初始DStream进行Transformation级别操作
//在单词拆分的基础上对每个单词进行实例计数为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,);
            }

        });
        //对每个单词事例技术为1的基础上对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>(){

            /**
             * 
             */
            private static final long serialVersionUID = L;

            @Override
            public Integer call(Integer v1, Integer v2) throws Exception {
                // TODO Auto-generated method stub
                return v1 + v2;
            }
        });
        /*
         * 此处的print并不会直接出发Job的支持，因为现在一切都是在SparkStreaming的框架控制之下的
         * 对于spark而言具体是否触发真正的JOb运行是基于设置的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，savaAsTextFile,scaAsHadoopFiles等
         * 其实最为重要的一个方法是foreachRDD,因为SparkStreaming处理的结果一般都会放在Redis,DB
         * DashBoard等上面，foreach主要就是用来完成这些功能的，而且可以自定义具体的数据放在哪里！！！
         * */
         wordsCount.print();

//       SparkStreaming 执行引擎也就是Driver开始运行，Driver启动的时候位于一条新线程中的，当然
//       其内部有消息接受应用程序本身或者Executor中的消息
         jsc.start();
         jsc.close();
    }


}
           

2：接下来向你展示Scala的代码形式，步骤思维是一样的基本步骤可以总结为：

（1）接收数据源：

（2）flatMap操作

（3）map操作：

（4）reduce操作：

（5）print()等操作：

（6）awaitTermination操作

代码形式如下：

object WordCountOnline {
  def main(args: Array[String]) {
    val conf = new SparkConf().setAppName("WorldCountOnline").setMaster("local[2]")
    val ssc = new StreamingContext(conf,Seconds())
    //可以设置数据的来源，比如源于socket
//    设置端口9999，数据存储级别为MEMORY_AND_DISK
    val receiverInputStream = ssc.socketTextStream("localhost",,StorageLevel.MEMORY_AND_DISK)
     /*
     * 他的来源可以是File
     * 他还可以来自db,hdfs等等数据源，甚至可以自定义任何数据源，给开发者带来巨大想象空间*/
    val directory = ssc.textFileStream("")
    /*
    * 接下来，我们开始对接收进来的数据进行操作
    * 第一步：通过“，”将每一行的单词分割开来，得到一个个的单词*/
    val words = receiverInputStream.flatMap{_.split(",")}
    /*将每个单词计数为1*/
    val pairs = words.map(word => (word,))
    /*reduceByKey通过将局部样本相同单词的个数相加，从而得到从提的单词个数*/
    val word_count = pairs.reduceByKey(_+_)
    /*与java编程一样，除了print（）方法将处理后的数据输出之外，
    * 还有其他的方法也非常重啊哟，在开发中需要重点掌握比如
    * SaveAsTextFile，SaveAshadoopFile等，最为重要的是foreachRDD方法，这个方法可以将数据写入Redis，
    * DB，DashBoard等，甚至可以随意的定义数据放在那里。功能非常强大。*/
    word_count.print()
    /*此处的print方法并不会触发job执行，因为目前代码还处在Spark Streaming框架的控制之下，具体
    * 是否触发job是取决于设置的Duration时间间隔*/
    ssc.start()
    /*等待程序结束*/
    ssc.awaitTermination()

  }
}
           

补充说明：使用Spark Streaming可以处理各种数据来源类型，如：数据库、HDFS，服务器log日志、网络流，其强大超越了你想象不到的场景，只是很多时候大家不会用，其真正原因是对Spark、spark streaming本身不了解。

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）。