通过案例对spark streaming透彻理解三板斧之一

简介： 王家林：DT大数据梦工厂创始人和首席专家.

联系邮箱18610086859@126.com

电话：18610086859 QQ:1740415547 微信号：18610086859

spark的核心是spark core,spark streaming，spark graph,spark mlib 其实是构建在spark core之上的一个应用程序，如果要构建一个强大的spark应用程序 ，spark streaming 是一个值得借鉴的参考，spark streaming涉及多个job交叉配合，里面涉及到了spark的所有的核心组件，如果对spark streaming 精通了的话，可以说就精通了整个spark,所以精通掌握spark streaming是至关重要的。

spark另类实现。在试验中。通过调节放大Batch Interval的方式300s，观察数据流入流出。

object OnlineBlackListFilter {

def main(args: Array[String]){

/**

* 第1步：创建Spark的配置对象SparkConf，设置Spark程序的运行时的配置信息，

* 例如说通过setMaster来设置程序要链接的Spark集群的Master的URL,如果设置

* 为local，则代表Spark程序在本地运行，特别适合于机器配置条件非常差（例如

* 只有1G的内存）的初学者 *

*/

val conf = new SparkConf() //创建SparkConf对象

conf.setAppName("OnlineBlackListFilter") //设置应用程序的名称，在程序运行的监控界面可以看到名称

conf.setMaster("spark://Master:7077") //此时，程序在Spark集群

val ssc = new StreamingContext(conf, Seconds(300))

/**

* 黑名单数据准备，实际上黑名单一般都是动态的，例如在Redis或者数据库中，黑名单的生成往往有复杂的业务

* 逻辑，具体情况算法不同，但是在Spark Streaming进行处理的时候每次都能工访问完整的信息

*/

val blackList = Array(("hadoop", true),("mahout", true))

val blackListRDD = ssc.sparkContext.parallelize(blackList, 8)

val adsClickStream = ssc.socketTextStream("Master", 9999)

/**

* 此处模拟的广告点击的每条数据的格式为：time、name

* 此处map操作的结果是name、（time，name）的格式

*/

val adsClickStreamFormatted = adsClickStream.map { ads => (ads.split(" ")(1), ads) }

adsClickStreamFormatted.transform(userClickRDD => {

//通过leftOuterJoin操作既保留了左侧用户广告点击内容的RDD的所有内容，又获得了相应点击内容是否在黑名单中

val joinedBlackListRDD = userClickRDD.leftOuterJoin(blackListRDD)

/**

* 进行filter过滤的时候，其输入元素是一个Tuple：（name,((time,name), boolean)）

* 其中第一个元素是黑名单的名称，第二元素的第二个元素是进行leftOuterJoin的时候是否存在在值

* 如果存在的话，表面当前广告点击是黑名单，需要过滤掉，否则的话则是有效点击内容；

*/

val validClicked = joinedBlackListRDD.filter(joinedItem => {

if(joinedItem._2._2.getOrElse(false))

{

false

} else {

true

}

})

validClicked.map(validClick => {validClick._2._1})

}).print

/**

* 计算后的有效数据一般都会写入Kafka中，下游的计费系统会从kafka中pull到有效数据进行计费

*/

ssc.start()

ssc.awaitTermination()

}

}

打开9999端口 nc -lk 9999

输入测试数据

2255554 Spark

455554444 Hadoop

55555 Flink

66666 Kafka

6666855 RockySpark

666638 Scala

66666 DT_Spark

在浏览器history_server中查看

​



点击最上面的任务后



总共竟然有5个Job。

job0主要用于负载均衡

job1的时间是1.5min， 从各个job所花的时间来看，整个应用运行的时间大部分时间是花在了receiver上

job2的时间





Spark Streaming的一个应用中，运行了这么多Job