Spark-Streaming之window滑动窗口应用

Spark-Streaming之window滑动窗口应用，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。

网官图中所示，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。

Spark-Streaming对滑动窗口支持的转换操作：

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

scala版本：

 package com.spark.streaming

 import org.apache.spark.streaming.Seconds
 import org.apache.spark.streaming.StreamingContext
 import org.apache.spark.SparkConf

 /**
  * @author Ganymede
  */
 object WindowHotWordS {
   def main(args: Array[String]): Unit = {
     val conf = new SparkConf().setAppName("WindowHotWordS").setMaster("local[2]")

     //Scala中，创建的是StreamingContext
     val ssc = new StreamingContext(conf, Seconds(5))

     val searchLogsDStream = ssc.socketTextStream("spark1", 9999)

     val searchWordsDStream = searchLogsDStream.map { searchLog => searchLog.split(" ")(1) }

     val searchWordPairDStream = searchWordsDStream.map { searchWord => (searchWord, 1) }

     // reduceByKeyAndWindow
     // 第二个参数，是窗口长度，这是是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
     // 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reduceByKey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
     // 每隔10秒钟，出来 之前60秒的收集到的单词的统计次数
     val searchWordCountsDStream = searchWordPairDStream.reduceByKeyAndWindow((v1: Int, v2: Int) => v1 + v2, Seconds(60), Seconds(10))


     val finalDStream = searchWordCountsDStream.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("result : " + tuple)
       }

       searchWordCountsRDD
     })

     finalDStream.print()

     ssc.start()
     ssc.awaitTermination()
   }
 }