13.window滑动窗口以及热点搜索词滑动统计案例实战

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）

Transform	意义
window	对每个滑动窗口的数据执行自定义的计算
countByWindow	对每个滑动窗口的数据执行count操作
reduceByWindow	对每个滑动窗口的数据执行reduce操作
reduceByKeyAndWindow	对每个滑动窗口的数据执行reduceByKey操作
countByValueAndWindow	对每个滑动窗口的数据执行countByValue操作

案例：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

 

java版本：

 

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
 * @author Administrator
 *
 */
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));
		
		// 说明一下，这里的搜索日志的格式
		// 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
		// 所以说，这里的意思，就是，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));
		
		// 到这里为止，就已经可以做到，每隔10秒钟，出来，之前60秒的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();
	}
}

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 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()
  }
}

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！