image.png
image.png
1、updateStateByKey
作用
可以让我们为每个key维护一份state，并持续不断的更新该state；使用
1、首先，要定义一个state，可以是任意的数据类型；
2、其次，要定义state更新函数——指定一个函数如何使用之前state和新值来更新state；注意：
1、对于每个batch，Spark都会为每个之前已经存在的key去应用一次state更新函数，无论这个key在batch中是否有新的数据；
2、如果state更新函数返货none，那么key对应state就会被删除；
3、对于每个新出现的key，也会执行state更新函数；
4、updateStateByKey操作，要求必须开启Checkpoint机制；Demo
package cn.spark.study.streaming;
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;
/**
* 基于updateStateByKey算子实现缓存机制的实时wordcount程序
*/
public class UpdateStateByKeyWordCount {
public static void main(String[] args) {
SparkConf conf = new SparkConf()
.setMaster("local[2]")
.setAppName("UpdateStateByKeyWordCount");
JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(5));
// 如果要使用updateStateByKey算子，就必须设置一个checkpoint目录，开启checkpoint机制
// 因为要长期保存一份key的state的话，那么spark streaming是要求必须用checkpoint的，
//以便于在内存数据丢失的时候，可以从checkpoint中恢复数据
// 开启checkpoint机制
jssc.checkpoint("hdfs://spark1:9000/wordcount_checkpoint");
// 然后先实现wordcount逻辑
JavaReceiverInputDStream lines = jssc.socketTextStream("localhost", 9999);
JavaDStream words = lines.flatMap(new FlatMapFunction() {
private static final long serialVersionUID = 1L;
@Override
public Iterable call(String line) throws Exception {
return Arrays.asList(line.split(" "));
}
});
JavaPairDStream pairs = words.mapToPair(
new PairFunction() {
private static final long serialVersionUID = 1L;
@Override
public Tuple2 call(String word)
throws Exception {
return new Tuple2(word, 1);
}
});
// 关键点在这里，之前的话，直接就是pairs.reduceByKey
// 然后，就可以得到每个时间段的batch对应的RDD，计算出来的单词计数
// 然后，可以打印出那个时间段的单词计数
// 但是，如果要统计每个单词的全局的计数呢？
// 就是说，统计从程序启动开始，到现在为止，一个单词出现的次数，那么就之前的方式就不好实现
// 就必须基于redis这种缓存，或者是mysql这种db，来实现累加
// 但是，我们的updateStateByKey，就可以实现直接通过Spark维护一份每个单词的全局的统计次数
JavaPairDStream wordCounts = pairs.updateStateByKey(
// 这里的Optional，相当于Scala中的样例类，就是Option，
// 可以这么理解，它代表了一个值的存在状态，可能存在，也可能不存在
new Function2, Optional, Optional>() {
private static final long serialVersionUID = 1L;
// 这里两个参数
// 实际上，对于每个单词，每次batch计算的时候，都会调用这个函数
// 第一个参数，values，相当于是这个batch中，这个key的新的值，可能有多个
// 比如说一个hello，可能有2个，(hello, 1) (hello, 1)，那么传入的是(1,1)
// 第二个参数，就是指的是这个key之前的状态，state，其中泛型的类型是你自己指定的
@Override
public Optional call(List values,
Optional state) throws Exception {
// 首先定义一个全局的单词计数
Integer oldValue = 0;
// 其次，判断，state是否存在，如果不存在，说明是一个key第一次出现
// 如果存在，说明这个key之前已经统计过全局的次数了
if(state.isPresent()) {
oldValue = state.get();
}
// 接着，将本次新出现的值，都累加到newValue上去，就是一个key目前的全局的统计
// 次数
for(Integer value : values) {
oldValue += value;
}
return Optional.of(oldValue );
}
});
// 到这里为止，相当于是，每个batch过来先计算到pairs DStream，
// 然后就会执行全局的updateStateByKey算子，updateStateByKey返回的JavaPairDStream，
// 其实就代表了每个key的全局的计数
wordCounts.print();
jssc.start();
jssc.awaitTermination();
jssc.close();
}
}
package cn.spark.study.streaming
import org.apache.spark.SparkConf
import org.apache.spark.streaming.StreamingContext
import org.apache.spark.streaming.Seconds
object UpdateStateByKeyWordCount {
def main(args: Array[String]): Unit = {
val conf = new SparkConf()
.setMaster("local[2]")
.setAppName("UpdateStateByKeyWordCount")
val ssc = new StreamingContext(conf, Seconds(5))
ssc.checkpoint("hdfs://spark1:9000/wordcount_checkpoint")
val lines = ssc.socketTextStream("spark1", 9999)
val words = lines.flatMap { _.split(" ") }
val pairs = words.map { word => (word, 1) }
val wordCounts = pairs.updateStateByKey((values: Seq[Int], state: Option[Int]) => {
var oldValue = state.getOrElse(0)
for(value <- values) {
oldValue += value
}
Option(oldValue )
})
wordCounts.print()
ssc.start()
ssc.awaitTermination()
}
}
2、transform
transform操作，应用在DStream上时，可以用于执行任意的RDD到RDD的转换操作；
它可以用于实现，DStream API中所没有提供的操作；比如说，DStream API中，并没有提供将一个DStream中的每个batch，与一个特定的RDD进行join的操作。但是我们自己就可以使用transform操作来实现该功能。
DStream.join()，只能join其他DStream，表示在DStream每个batch的RDD计算出来之后，会去跟其他DStream的RDD进行join。
package cn.spark.study.streaming;
import java.util.ArrayList;
import java.util.List;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.function.Function;
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;
/**
* 基于transform的实时广告计费日志黑名单过滤
* 用户对我们的网站上的广告可以进行点击
* 点击之后，要进行实时计费，点一下，算一次钱
* 但是，对于那些帮助某些无良商家刷广告的人，那么我们有一个黑名单
* 只要是黑名单中的用户点击的广告，我们就给过滤掉
*/
public class TransformBlacklist {
@SuppressWarnings("deprecation")
public static void main(String[] args) {
SparkConf conf = new SparkConf()
.setMaster("local[2]")
.setAppName("TransformBlacklist");
JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(5));
// 先做一份模拟的黑名单RDD
List> blacklist = new ArrayList>();
blacklist.add(new Tuple2("tom", true));
final JavaPairRDD blacklistRDD = jssc.sc().parallelizePairs(blacklist);
// 这里的日志格式，简化一下，就是date username的方式
JavaReceiverInputDStream adsClickLogDStream = jssc.socketTextStream("hadoop1", 9999);
// 所以，要先对输入的数据，进行一下转换操作，变成(username, date username)
// 以便于后面对每个batch RDD，与定义好的黑名单RDD进行join操作
JavaPairDStream userAdsClickLogDStream = adsClickLogDStream.mapToPair(
new PairFunction() {
private static final long serialVersionUID = 1L;
@Override
public Tuple2 call(String adsClickLog)
throws Exception {
return new Tuple2(
adsClickLog.split(" ")[1], adsClickLog);
}
});
// 然后，执行transform操作，将每个batch的RDD，与黑名单RDD进行join、filter、map等操作
// 实时进行黑名单过滤
JavaDStream validAdsClickLogDStream = userAdsClickLogDStream.transform(
new Function, JavaRDD>() {
private static final long serialVersionUID = 1L;
@Override
public JavaRDD call(JavaPairRDD userAdsClickLogRDD)
throws Exception {
// 这里为什么用左外连接？
// 因为，并不是每个用户都存在于黑名单中的
// 所以，如果直接用join，那么没有存在于黑名单中的数据，会无法join到
// 就给丢弃掉了
// 所以，这里用leftOuterJoin，就是说，哪怕一个user不在黑名单RDD中，没有join到
// 也还是会被保存下来的
JavaPairRDD>> joinedRDD =
userAdsClickLogRDD.leftOuterJoin(blacklistRDD);
// 连接之后，执行filter算子
JavaPairRDD>> filteredRDD =
joinedRDD.filter(
new Function>>, Boolean>() {
private static final long serialVersionUID = 1L;
@Override
public Boolean call(
Tuple2>> tuple)
throws Exception {
// 这里的tuple，就是每个用户，对应的访问日志，和在黑名单中
// 的状态
if(tuple._2._2().isPresent() &&
tuple._2._2.get()) {
return false;
}
return true;
}
});
// 此时，filteredRDD中，就只剩下没有被黑名单过滤的用户点击了
// 进行map操作，转换成我们想要的格式
JavaRDD validAdsClickLogRDD = filteredRDD.map(
new Function>>, String>() {
private static final long serialVersionUID = 1L;
@Override
public String call(
Tuple2>> tuple)
throws Exception {
return tuple._2._1;
}
});
return validAdsClickLogRDD;
}
});
// 打印有效的广告点击日志
// 其实在真实企业场景中，这里后面就可以走写入kafka、ActiveMQ等这种中间件消息队列
// 然后再开发一个专门的后台服务，作为广告计费服务，执行实时的广告计费，这里就是只拿到了有效的广告点击
validAdsClickLogDStream.print();
jssc.start();
jssc.awaitTermination();
jssc.close();
}
}
package cn.spark.study.streaming
import org.apache.spark.SparkConf
import org.apache.spark.streaming.StreamingContext
import org.apache.spark.streaming.Seconds
object TransformBlacklist {
def main(args: Array[String]): Unit = {
val conf = new SparkConf()
.setMaster("local[2]")
.setAppName("TransformBlacklist")
val ssc = new StreamingContext(conf, Seconds(5))
val blacklist = Array(("tom", true))
val blacklistRDD = ssc.sparkContext.parallelize(blacklist, 5)
val adsClickLogDStream = ssc.socketTextStream("spark1", 9999)
val userAdsClickLogDStream = adsClickLogDStream
.map { adsClickLog => (adsClickLog.split(" ")(1), adsClickLog) }
val validAdsClickLogDStream = userAdsClickLogDStream.transform(userAdsClickLogRDD => {
val joinedRDD = userAdsClickLogRDD.leftOuterJoin(blacklistRDD)
val filteredRDD = joinedRDD.filter(tuple => {
if(tuple._2._2.getOrElse(false)) {
false
} else {
true
}
})
val validAdsClickLogRDD = filteredRDD.map(tuple => tuple._2._1)
validAdsClickLogRDD
})
validAdsClickLogDStream.print()
ssc.start()
ssc.awaitTermination()
}
}
3、window滑动窗口
Spark Streaming提供了滑动窗口操作的支持，从而让我们可以对一个滑动窗口内的数据执行计算操作。每次掉落在窗口内的RDD的数据，会被聚合起来执行计算操作，然后生成的RDD，会作为window DStream的一个RDD。比如下图中，就是对每三秒钟的数据执行一次滑动窗口计算，这3秒内的3个RDD会被聚合起来进行处理，然后过了两秒钟，又会对最近三秒内的数据执行滑动窗口计算。所以每个滑动窗口操作，都必须指定两个参数，窗口长度以及滑动间隔，而且这两个参数值都必须是batch间隔的整数倍。（Spark Streaming对滑动窗口的支持，是比Storm更加完善和强大的）
image.png
image.png
Demo：热点搜索词滑动统计，每隔10秒钟，统计最近60秒钟的搜索词的搜索频次，并打印出排名最靠前的3个搜索词以及出现次数
package cn.spark.study.streaming;
import java.util.List;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.function.Function;
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 scala.Tuple2;
/**
* 基于滑动窗口的热点搜索词实时统计
*/
public class WindowHotWord {
public static void main(String[] args) {
SparkConf conf = new SparkConf()
.setMaster("local[2]")
.setAppName("WindowHotWord");
JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(1));
// 这里的搜索日志的格式是
// leo hello
// tom world
JavaReceiverInputDStream searchLogsDStream = jssc.socketTextStream("spark1", 9999);
// 将搜索日志给转换成，只有一个搜索词，即可
JavaDStream searchWordsDStream = searchLogsDStream.map(new Function() {
private static final long serialVersionUID = 1L;
@Override
public String call(String searchLog) throws Exception {
return searchLog.split(" ")[1];
}
});
// 将搜索词映射为(searchWord, 1)的tuple格式
JavaPairDStream searchWordPairDStream = searchWordsDStream.mapToPair(
new PairFunction() {
private static final long serialVersionUID = 1L;
@Override
public Tuple2 call(String searchWord)
throws Exception {
return new Tuple2(searchWord, 1);
}
});
// 针对(searchWord, 1)的tuple格式的DStream，执行reduceByKeyAndWindow，滑动窗口操作
// 第二个参数，是窗口长度，这里是60秒
// 第三个参数，是滑动间隔，这里是10秒
// 也就是说，每隔10秒钟，将最近60秒的数据，作为一个窗口，进行内部的RDD的聚合，
// 然后统一对一个RDD进行后续计算
// 所以，到之前的searchWordPairDStream为止，其实，都是不会立即进行计算的
// 而是只是放在那里
// 然后，等待我们的滑动间隔到了以后，10秒钟到了，会将之前60秒的RDD，因为一个batch间隔是，5秒，
//所以之前 60秒，就有12个RDD，给聚合起来，然后，统一执行redcueByKey操作
// 所以这里的reduceByKeyAndWindow，是针对每个窗口执行计算的，而不是针对某个DStream中的RDD
JavaPairDStream searchWordCountsDStream =
searchWordPairDStream.reduceByKeyAndWindow(new Function2() {
private static final long serialVersionUID = 1L;
@Override
public Integer call(Integer v1, Integer v2) throws Exception {
return v1 + v2;
}
}, Durations.seconds(60), Durations.seconds(10));
// 把之前60秒收集到的单词的统计次数执行transform操作，
// 因为，一个窗口，就是一个60秒钟的数据，会变成一个RDD，然后，对这一个RDD
// 根据每个搜索词出现的频率进行排序，然后获取排名前3的热点搜索词
JavaPairDStream finalDStream = searchWordCountsDStream.transformToPair(
new Function, JavaPairRDD>() {
private static final long serialVersionUID = 1L;
@Override
public JavaPairRDD call(
JavaPairRDD searchWordCountsRDD) throws Exception {
// 执行搜索词和出现频率的反转
JavaPairRDD countSearchWordsRDD = searchWordCountsRDD
.mapToPair(new PairFunction, Integer, String>() {
private static final long serialVersionUID = 1L;
@Override
public Tuple2 call(
Tuple2 tuple)
throws Exception {
return new Tuple2(tuple._2, tuple._1);
}
});
// 然后执行降序排序
JavaPairRDD sortedCountSearchWordsRDD = countSearchWordsRDD
.sortByKey(false);
// 然后再次执行反转，变成(searchWord, count)的这种格式
JavaPairRDD sortedSearchWordCountsRDD = sortedCountSearchWordsRDD
.mapToPair(new PairFunction, String, Integer>() {
private static final long serialVersionUID = 1L;
@Override
public Tuple2 call(
Tuple2 tuple)
throws Exception {
return new Tuple2(tuple._2, tuple._1);
}
});
// 然后用take()，获取排名前3的热点搜索词
List> hogSearchWordCounts =
sortedSearchWordCountsRDD.take(3);
for(Tuple2 wordCount : hogSearchWordCounts) {
System.out.println(wordCount._1 + ": " + wordCount._2);
}
return searchWordCountsRDD;
}
});
// 这个无关紧要，只是为了触发job的执行，所以必须有output操作
finalDStream.print();
jssc.start();
jssc.awaitTermination();
jssc.close();
}
}
package cn.spark.study.streaming
import org.apache.spark.SparkConf
import org.apache.spark.streaming.StreamingContext
import org.apache.spark.streaming.Seconds
object WindowHotWord {
def main(args: Array[String]): Unit = {
val conf = new SparkConf()
.setMaster("local[2]")
.setAppName("WindowHotWord")
val ssc = new StreamingContext(conf, Seconds(1))
val searchLogsDStream = ssc.socketTextStream("spark1", 9999)
val searchWordsDStream = searchLogsDStream.map { _.split(" ")(1) }
val searchWordPairsDStream = searchWordsDStream.map { searchWord => (searchWord, 1) }
val searchWordCountsDSteram = searchWordPairsDStream.reduceByKeyAndWindow(
(v1: Int, v2: Int) => v1 + v2,
Seconds(60),
Seconds(10))
val finalDStream = searchWordCountsDSteram.transform(searchWordCountsRDD => {
val countSearchWordsRDD = searchWordCountsRDD.map(tuple => (tuple._2, tuple._1))
val sortedCountSearchWordsRDD = countSearchWordsRDD.sortByKey(false)
val sortedSearchWordCountsRDD = sortedCountSearchWordsRDD.map(tuple => (tuple._1, tuple._2))
val top3SearchWordCounts = sortedSearchWordCountsRDD.take(3)
for(tuple <- top3SearchWordCounts) {
println(tuple)
}
searchWordCountsRDD
})
finalDStream.print()
ssc.start()
ssc.awaitTermination()
}
}