spark streaming 滑动窗口

滑动窗口

DStream.window(window length,sliding interval)

 

batch interval:批处理时间间隔，spark streaming将消息源（Kafka）的数据，以流的方式按批处理时间间隔切片，一个批处理间隔时间对应1个切片对应生成的1个RDD

window length :窗口时间长度，每个批处理间隔将会实际处理的RDD个数（1...n）。是批处理间隔的N（N>=1）倍。

sliding interval:滑动窗口时间长度，窗口操作执行的时间间隔。如果设置为=batch interval，则每个批处理时间间隔都会执行一次窗口操作，如果设置为=N*processingInterval(N>1，N为Int),则每N个批处理时间间隔会执行一次窗口操作。

 

假设spark streaming 从kafka的largest 偏移量处开始消费

对于一个新的消费者：

每隔一次batch interval，会更新一次offset（拉取的数据为该batch interval内进入kafka的实时数据）

每隔一次sliding interval,会进行生成windowed DStream 操作，并执行逻辑，最后更新一次offset。其中生成的 windowed DStream的数据源为当前最后  window length对应的N个RDD的和（N>=sliding interval,且N=n*batch interval）。

     

对于一个旧的消费者：

每隔一次batch interval，会更新一次offset（拉取的数据为该batch interval内进入kafka的实时数据+之前保存的offset位置到当前位置的历史数据）

每隔一次sliding interval,会进行生成windowed DStream 操作，并执行逻辑，最后更新一次offset。其中生成的 windowed DStream的数据源为当前最后  window length包含的N个RDD的和（N>=sliding interval,且N=n*batch interval）。

                  

1.如果，window length=3Min，sliding interval=1Min，batch interval=1Min，假设spark streaming 从kafka的largest 偏移量处开始消费。

上述语义为：每隔1分钟，将当前最后3分钟的数据生成一个windowed DStream（如果有多个RDD，则合并他们）

在第一个分钟里，会从kafka里面拉取新进入kafka里的第一分钟的数据并封装为RDD存储到内存,并拉取当前最后1分钟的数据生成一个windowed DStream执行print等action操作(为什么是当前最后1分钟？因为当前只有1分钟的数据)

两分钟过去后，会从kafka里面拉取新进入kafka里的第2分钟的数据并封装为RDD存储到内存，并拉取当前最后2分钟的数据生成一个windowed DStream执行print等action操作

3分钟过去后，会从kafka里面拉取新进入kafka里的第3分钟的数据并封装为RDD存储到内存，并拉取当前最后3分钟的数据生成一个windowed DStream执行print等action操作

4分钟过去后，会从kafka里面拉取新进入kafka里的第4分钟的数据并封装为RDD存储到内存，并拉取当前最后3分钟的数据生成一个windowed DStream执行print等action操作

5分钟过去后，会从kafka里面拉取新进入kafka里的第5分钟的数据并封装为RDD存储到内存，并拉取当前最后3分钟的数据生成一个windowed DStream执行print等action操作

....

2. 如果，window length=3Min，sliding interval=2Min，batch interval=1Min，假设spark streaming 从kafka的largest 偏移量处开始消费。

上述语义为：每隔2分钟，将当前最后3分钟的数据生成一个windowed DStream（如果有多个RDD，则合并他们）

 

在14个batch interval 里会执行7次窗口数据处理，除了第一个窗口长度为2个batch interval以外，其他都为3个batch interval。

在第一个分钟里，会从kafka里面拉取新进入kafka里的第一分钟的数据并封装为RDD存储到内存

两分钟过去后，会从kafka里面拉取新进入kafka里的第2分钟的数据并封装为RDD存储到内存，执行print等action操作，这次会执行2个RDD里面的数据。

3分钟过去后，会从kafka里面拉取新进入kafka里的第3分钟的数据并封装为RDD存储到内存，不会执行print等action操作

4分钟过去后，会从kafka里面拉取新进入kafka里的第4分钟的数据并封装为RDD存储到内存，并拉取当前最后3分钟的数据生成一个windowed DStream执行print等action操作

5分钟过去后，会从kafka里面拉取新进入kafka里的第5分钟的数据并封装为RDD存储到内存，不会执行print等action操作

6分钟过去后，会从kafka里面拉取新进入kafka里的第6分钟的数据并封装为RDD存储到内存，并拉取当前最后3分钟的数据生成一个windowed DStream执行print等action操作

7分钟过去后，会从kafka里面拉取新进入kafka里的第7分钟的数据并封装为RDD存储到内存，不会执行print等action操作

.....

在实际应用中：window length - sliding interval >=应用中给定的需要统计的累计最大时长，这样才不会因为当前窗口遗漏某些特殊时间段的数据。

如有这样一个逻辑：要求判断连续30分钟的数据满足条件A，则得出结果B

如果，让window length=30，sliding interval=10，batch interval=10，即window length - sliding interval < 30分钟

那么 从第5分钟开始连续，直到35分钟时结束连续的这段数据，将不能正常得到结果B

如果，让window length=40，sliding interval=10，batch interval=10，即window length - sliding interval =30分钟

那么 从第5分钟开始连续，直到35分钟时结束连续的这段数据，将可以正常得到结果B

 

觉得还行的话，右上角点个赞哟。