Spark 实时处理 总文章

• Impala 操作/读写 Kudu，使用druid连接池
• Kudu 原理、API使用、代码
• Kudu Java API 条件查询
• spark读取kudu表导出数据为parquet文件（spark kudu parquet）
• kudu 导入/导出 数据
• Kudu 分页查询的两种方式
• map、flatMap(流的扁平化)、split 的区别

• Spark(SparkSql) 写数据到 MySQL中（Spark读取TCP socket/文件）

• Spark Streaming 整合 Kafka（Spark读取Kafka）

• Spark Streaming 开窗函数 reduceByKeyAndWindow

• Spark Streaming 整合 Flume（Spark读取Flume）

• Spark 实时处理 总文章

• spark程序打包为jar包，并且导出所有第三方依赖的jar包

• spark提交命令 spark-submit 的参数 executor-memory、executor-cores、num-executors、spark.default.parallelism分析

 

================= 最新文章 ====================== 

1.CDH 6 的安装和使用 、CDH5安装

2.用户画像

3.Spark 实时处理

4.大数据组件安装(非CDH)和使用 总文章

5.大数据组件使用 总文章

6.window下 人工智能 Keras、TensorFlow、PyTorch、CUDA、cuDNN 的环境安装 总文章、window 安装 PyTorch

7.人工智能AI：Keras PyTorch 深度学习实战（不定时更新）

8.搜索引擎：Elasticsearch、Solr、Lucene

 

【日萌社】用户画像
【日萌社】C、C++笔记
【日萌社】JavaWeb+大数据笔记
【日萌社】CDH 6、CDH5
【日萌社】Python笔记
【日萌社】Keras、PyTorch
【日萌社】日语语法、日语单词 学习

链接：https://pan.baidu.com/s/1OBd1rbwGx0F8YnefM7R0Uw 
提取码：0hal
链接：https://pan.baidu.com/s/1TKNZ6TtDxDtDUnezrcXJ8Q 
提取码：2ber 
链接：https://pan.baidu.com/s/1_XWMwcoNuDPdE3xkluo08A 
提取码：b12m 
链接：https://pan.baidu.com/s/1eW8YSrasGiTXpBFSSJd78Q 
提取码：7aeu 
链接：https://pan.baidu.com/s/1xi_3T6Nw__Sy-QQaN29O4Q 
提取码：1gcs 

 

============== Spark 实时处理 总文章 =================

Spark(SparkSql) 写数据到 MySQL中（Spark读取TCP socket/文件）

Spark Streaming 整合 Kafka（Spark读取Kafka）

Spark Streaming 整合 Flume（Spark读取Flume）

Spark Streaming 开窗函数 reduceByKeyAndWindow

map、flatMap(流的扁平化)、split 的区别

===========  Spark 实时处理 介绍 =================

基于Spark通用计算平台，可以很好地扩展各种计算类型的应用，尤其是Spark提供了内建的计算库支持，像Spark Streaming、Spark SQL、MLlib、GraphX，这些内建库都提供了高级抽象，
可以用非常简洁的代码实现复杂的计算逻辑、这也得益于Scala编程语言的简洁性。这里，我们基于1.3.0版本的Spark搭建了计算平台，实现基于Spark Streaming的实时计算。  
我们的应用场景是分析用户使用手机App的行为，描述如下所示：  
  
手机客户端会收集用户的行为事件（我们以点击事件为例），将数据发送到数据服务器，我们假设这里直接进入到Kafka消息队列  
后端的实时服务会从Kafka消费数据，将数据读出来并进行实时分析，这里选择Spark Streaming，因为Spark Streaming提供了与Kafka整合的内置支持  
经过Spark Streaming实时计算程序分析，将结果写入Redis，可以实时获取用户的行为数据，并可以导出进行离线综合统计分析  
Spark Streaming介绍  
  
Spark Streaming提供了一个叫做DStream（Discretized Stream）的高级抽象，DStream表示一个持续不断输入的数据流，可以基于Kafka、TCP Socket、Flume等输入数据流创建。
在内部，一个DStream实际上是由一个RDD序列组成的。Sparking Streaming是基于Spark平台的，也就继承了Spark平台的各种特性，
如容错（Fault-tolerant）、可扩展（Scalable）、高吞吐（High-throughput）等。  

在Spark Streaming中，每个DStream包含了一个时间间隔之内的数据项的集合，我们可以理解为指定时间间隔之内的一个batch(批次)，每一个batch(批次)就构成一个RDD数据集，
所以DStream就是一个个batch(批次)的有序序列，时间是连续的，按照时间间隔将数据流分割成一个个离散的RDD数据集

streaming-dstream  
我们都知道，Spark支持两种类型操作：Transformations和Actions。

Transformation从一个已知的RDD数据集经过转换得到一个新的RDD数据集，
这些Transformation操作包括map、filter、flatMap、union、join等，而且Transformation具有lazy的特性，调用这些操作并没有立刻执行对已知RDD数据集的计算操作，
而是在调用了另一类型的Action操作才会真正地执行。

Action执行，会真正地对RDD数据集进行操作，返回一个计算结果给Driver程序，或者没有返回结果，如将计算结果数据进行持久化，
Action操作包括reduceByKey、count、foreach、collect等。 

同样，Spark Streaming提供了类似Spark的两种操作类型，分别为Transformations和Output操作，它们的操作对象是DStream，作用也和Spark类似。

Transformation从一个已知的DStream经过转换得到一个新的DStream，而且Spark Streaming还额外增加了一类针对Window的操作，
当然它也是Transformation，但是可以更灵活地控制DStream的大小（时间间隔大小、数据元素个数），
例如：window(windowLength, slideInterval)、countByWindow(windowLength, slideInterval)、reduceByWindow(func, windowLength, slideInterval)等。

Spark Streaming的Output操作允许我们将DStream数据输出到一个外部的存储系统，如数据库或文件系统等，执行Output操作类似执行Spark的Action操作，
使得该操作之前lazy的Transformation操作序列真正地执行。