14.DStream的output操作以及foreachRDD详解

output操作概览

Output	Meaning
print	打印每个batch中的前10个元素，主要用于测试，或者是不需要执行什么output操作时，用于简单触发一下job。
saveAsTextFile(prefix, [suffix])	将每个batch的数据保存到文件中。每个batch的文件的命名格式为：prefix-TIME_IN_MS[.suffix]
saveAsObjectFile	同上，但是将每个batch的数据以序列化对象的方式，保存到SequenceFile中。
saveAsHadoopFile	同上，将数据保存到Hadoop文件中
foreachRDD	最常用的output操作，遍历DStream中的每个产生的RDD，进行处理。可以将每个RDD中的数据写入外部存储，比如文件、数据库、缓存等。通常在其中，是针对RDD执行action操作的，比如foreach。

output操作

 

DStream中的所有计算，都是由output操作触发的，比如print()。如果没有任何output操作，那么，压根儿就不会执行定义的计算逻辑。

此外，即使你使用了foreachRDDoutput操作，也必须在里面对RDD执行action操作，才能触发对每一个batch的计算逻辑。否则，光有foreachRDD output操作，在里面没有对RDD执行action操作，也不会触发任何逻辑。

foreachRDD详解

通常在foreachRDD中，都会创建一个Connection，比如JDBC Connection，然后通过Connection将数据写入外部存储。

误区一：在RDD的foreach操作外部，创建Connection

这种方式是错误的，因为它会导致Connection对象被序列化后传输到每个Task中。而这种Connection对象，实际上一般是不支持序列化的，也就无法被传输。

dstream.foreachRDD {rdd =>
  val connection = createNewConnection()
  rdd.foreach { record =>connection.send(record)
  }
}

误区二：在RDD的foreach操作内部，创建Connection

这种方式是可以的，但是效率低下。因为它会导致对于RDD中的每一条数据，都创建一个Connection对象。而通常来说，Connection的创建，是很消耗性能的。

dstream.foreachRDD {rdd =>
  rdd.foreach { record =>
    val connection = createNewConnection()
    connection.send(record)
    connection.close()
  }
}

合理方式一：使用RDD的foreachPartition操作，并且在该操作内部，创建Connection对象，这样就相当于是，为RDD的每个partition创建一个Connection对象，节省资源的多了。

dstream.foreachRDD {rdd =>
  rdd.foreachPartition { partitionOfRecords=>
    val connection = createNewConnection()
    partitionOfRecords.foreach(record =>connection.send(record))
    connection.close()
  }
}

合理方式二：自己手动封装一个静态连接池，使用RDD的foreachPartition操作，并且在该操作内部，从静态连接池中，通过静态方法，获取到一个连接，使用之后再还回去。这样的话，甚至在多个RDD的partition之间，也可以复用连接了。而且可以让连接池采取懒创建的策略，并且空闲一段时间后，将其释放掉。

dstream.foreachRDD {rdd =>
  rdd.foreachPartition { partitionOfRecords=>
    val connection = ConnectionPool.getConnection()
    partitionOfRecords.foreach(record =>connection.send(record))
    ConnectionPool.returnConnection(connection) 
  }
}

foreachRDD实战

 

案例：改写UpdateStateByKeyWordCount，将每次统计出来的全局的单词计数，写入一份，到MySQL数据库中。

建表语句

create table wordcount(
  id integer auto_increment primary key,
  updated_time timestamp NOT NULL defaultCURRENT_TIMESTAMP on update CURRENT_TIMESTAMP,
  word varchar(255),
  count integer
);

java版本代码：

package cn.spark.study.sql;

import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.Statement;
import java.util.ArrayList;
import java.util.HashMap;
import java.util.List;
import java.util.Map;

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.JavaSparkContext;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.api.java.function.PairFunction;
import org.apache.spark.api.java.function.VoidFunction;
import org.apache.spark.sql.DataFrame;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.RowFactory;
import org.apache.spark.sql.SQLContext;
import org.apache.spark.sql.types.DataTypes;
import org.apache.spark.sql.types.StructField;
import org.apache.spark.sql.types.StructType;
import scala.Tuple2;

/**
 * JDBC数据源
 * @author leizq120310
 *
 */

public class JDBCDataSource {

	public static void main(String[] args) {
		SparkConf conf = new SparkConf()
				.setAppName("JDBCDataSource");
		JavaSparkContext sc = new JavaSparkContext(conf);
		SQLContext sqlContext = new SQLContext(sc);
		
		// 总结一下
		// jdbc数据源
		// 首先，是通过SQLContext的read系列方法，将mysql中的数据加载为DataFrame
		// 然后可以将DataFrame转换为RDD，使用Spark Core提供的各种算子进行操作
		// 最后可以将得到的数据结果，通过foreach()算子，写入mysql、hbase、redis等等db/ cache中
		
		// 分别将mysql中两张表的数据加载为DataFrame
		Map options = new HashMap();
		options.put("url", "jdbc:mysql://spark1:3306/testdb");
		options.put("dbtable", "student_infos");
		DataFrame studentInfosDF = sqlContext.read().format("jdbc").options(options).load();
		
		options.clear();
		options.put("url", "jdbc:mysql://spark1:3306/testdb");
		options.put("dbtable", "student_scores");
		DataFrame studentScoresDF = sqlContext.read().format("jdbc").options(options).load();
		
		// 将两个DataFrame转换为JavaPairRDD，执行join操作
		JavaPairRDD> studentsRDD = studentInfosDF.javaRDD().mapToPair(new PairFunction() {
				private static final long serialVersionUID = 1L;
	
				@Override
				public Tuple2 call(Row row) throws Exception {
					return new Tuple2
					(row.getString(0), Integer.valueOf(String.valueOf(row.get(1))));
				}
			}).join(studentScoresDF.javaRDD().mapToPair(new PairFunction() {
	
				private static final long serialVersionUID = 1L;
	
				@Override
				public Tuple2 call(Row row) throws Exception {
					return new Tuple2
					(row.getString(0), Integer.valueOf(String.valueOf(row.get(1))));
				}
			}));
		
		// 将JavaPairRDD转换为JavaRDD
		JavaRDD studentRowsRDD = studentsRDD.map(new Function>, Row>() {

			private static final long serialVersionUID = 1L;

			@Override
			public Row call(Tuple2> tuple) throws Exception {
				return RowFactory.create(tuple._1, tuple._2._1, tuple._2._2);
			}
		});
		
		// 过滤出分数大于80分的数据
		JavaRDD filteredStudentRowsRDD = studentRowsRDD.filter(new Function() {

			private static final long serialVersionUID = 1L;

			@Override
			public Boolean call(Row row) throws Exception {
				if (row.getInt(2) > 80) {
					return true;
				}
				return false;
			}
		});
		
		// 转换为DataFrame
		List structFields = new ArrayList();
		structFields.add(DataTypes.createStructField("name", DataTypes.StringType, true));
		structFields.add(DataTypes.createStructField("age", DataTypes.IntegerType, true));
		structFields.add(DataTypes.createStructField("score", DataTypes.IntegerType, true));
		StructType structType = DataTypes.createStructType(structFields);
		
		DataFrame studentsDF = sqlContext.createDataFrame(filteredStudentRowsRDD, structType);
		
		Row[] rows = studentsDF.collect();
		for (Row row : rows)
		{
			System.out.println(row);
		}
		
		// 将DataFrame中的数据保存到mysql表中
		// 这种方式是在企业里很常用的，有可能是插入mysql、有可能是插入hbase，还有可能是插入redis缓存
		studentsDF.javaRDD().foreach(new VoidFunction() {
			private static final long serialVersionUID = 1L;

			@Override
			public void call(Row row) throws Exception {
				String sql = "insert into good_student_infos values("
						+ "'" + String.valueOf(row.getString(0)) + "',"
						+ Integer.valueOf(String.valueOf(row.get(1))) + ","
						+ Integer.valueOf(String.valueOf(row.get(2))) + ")";
				Class.forName("com.mysql.jdbc.Driver");
				
				Connection conn = null;
				Statement stmt = null;
				try{
					conn = DriverManager.getConnection(
							"jdbc:mysql://spark1:3306/testdb", "", "");
					stmt = conn.createStatement();
					stmt.executeUpdate(sql);
				} catch (Exception e) {
					e.printStackTrace();
				} finally{
					if (stmt != null){
						stmt.close();
					}
					if (conn != null){
						conn.close();
					}
				}
			}
		});
		sc.close(); 
	}
}

操作步骤：

 

1.进入linux系统平台下的mysql操作中，创建wordcount表

---

文章最后，给大家推荐一些受欢迎的技术博客链接：

1. Hadoop相关技术博客链接
2. Spark 核心技术链接
3. 超全干货--Flink思维导图，花了3周左右编写、校对
4. 深入JAVA 的JVM核心原理解决线上各种故障【附案例】
5. 请谈谈你对volatile的理解？--最近小李子与面试官的一场“硬核较量”
6. 聊聊RPC通信，经常被问到的一道面试题。源码+笔记，包懂

 

---

欢迎扫描下方的二维码或 搜索 公众号“10点进修”，我们会有更多、且及时的资料推送给您，欢迎多多交流！