12.transform以及实时黑名单过滤案例实战

transform以及实时黑名单过滤案例实战

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。在DStream每个batch的RDD计算出来之后，会去跟其他DStream的RDD进行join。

案例：广告计费日志实时黑名单过滤

java版本：

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
 * 这里案例，完全脱胎于真实的广告业务的大数据系统，业务是真实的，实用
 * @author Administrator
 *
 */
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));
		
		// 用户对我们的网站上的广告可以进行点击
		// 点击之后，是不是要进行实时计费，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
		
		// 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，就简化一下，就是date username的方式
		JavaReceiverInputDStream adsClickLogDStream = jssc.socketTextStream("spark1", 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，就可以执行transform操作了，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();
	}
}

scala版本：

 

package cn.spark.study.streaming
 
import org.apache.spark.SparkConf
import org.apache.spark.streaming.StreamingContext
import org.apache.spark.streaming.Seconds
 
/**
 * @author Administrator
 */
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()
  }
}

运行步骤：

 

1.启动nc

nc -lk 9999

2.本地运行，直接在IDE中运行程序

运行结果：

 

 

---

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. JAVA相关的深度技术博客链接
4. 超全干货--Flink思维导图，花了3周左右编写、校对
5. 深入JAVA 的JVM核心原理解决线上各种故障【附案例】
6. 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”
7. 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！