Structured Streaming基础入门
Structured Streaming
1. 回顾和展望
1.1. Spark 编程模型的进化过程
RDD
rdd.flatMap(_.split(" "))
.map((_, 1))
.reduceByKey(_ + _)
.collect
针对自定义数据对象进行处理, 可以处理任意类型的对象, 比较符合面向对象
RDD 无法感知到数据的结构, 无法针对数据结构进行编程
DataFrame
spark.read
.csv("...")
.where('name =!= "")
.groupBy($"name")
.show()
DataFrame 保留有数据的元信息, API 针对数据的结构进行处理, 例如说可以根据数据的某一列进行排序或者分组
DataFrame 在执行的时候会经过 Catalyst 进行优化, 并且序列化更加高效, 性能会更好
DataFrame 只能处理结构化的数据, 无法处理非结构化的数据, 因为 DataFrame 的内部使用 Row 对象保存数据
Spark 为 DataFrame 设计了新的数据读写框架, 更加强大, 支持的数据源众多
Dataset
spark.read
.csv("...")
.as[Person]
.where(_.name != "")
.groupByKey(_.name)
.count()
.show()
Dataset 结合了 RDD 和 DataFrame 的特点, 从 API 上即可以处理结构化数据, 也可以处理非结构化数据
Dataset 和 DataFrame 其实是一个东西, 所以 DataFrame 的性能优势, 在 Dataset 上也有
总结
RDD 的优点
- 面向对象的操作方式
- 可以处理任何类型的数据
RDD 的缺点
- 运行速度比较慢, 执行过程没有优化
API比较僵硬, 对结构化数据的访问和操作没有优化
DataFrame 的优点
- 针对结构化数据高度优化, 可以通过列名访问和转换数据
- 增加
Catalyst优化器, 执行过程是优化的, 避免了因为开发者的原因影响效率
DataFrame 的缺点
- 只能操作结构化数据
- 只有无类型的
API, 也就是只能针对列和SQL操作数据,API依然僵硬
Dataset 的优点
- 结合了
RDD和DataFrame的API, 既可以操作结构化数据, 也可以操作非结构化数据 - 既有有类型的
API也有无类型的API, 灵活选择
1.2. Spark 的 序列化 的进化过程
什么是序列化和序列化
在 Java 中, 序列化的代码大概如下
public class JavaSerializable implements Serializable {
NonSerializable ns = new NonSerializable();
}
public class NonSerializable {
}
public static void main(String[] args) throws IOException {
// 序列化
JavaSerializable serializable = new JavaSerializable();
ObjectOutputStream objectOutputStream = new ObjectOutputStream(new FileOutputStream("/tmp/obj.ser"));
// 这里会抛出一个 "java.io.NotSerializableException: cn.itcast.NonSerializable" 异常
objectOutputStream.writeObject(serializable);
objectOutputStream.flush();
objectOutputStream.close();
// 反序列化
FileInputStream fileInputStream = new FileInputStream("/tmp/obj.ser");
ObjectInputStream objectOutputStream = new ObjectInputStream(fileInputStream);
JavaSerializable serializable1 = objectOutputStream.readObject();
}
序列化的作用就是可以将对象的内容变成二进制, 存入文件中保存
反序列化指的是将保存下来的二进制对象数据恢复成对象
序列化对对象的要求
- 对象必须实现
Serializable接口 - 对象中的所有属性必须都要可以被序列化, 如果出现无法被序列化的属性, 则序列化失败
限制
- 对象被序列化后, 生成的二进制文件中, 包含了很多环境信息, 如对象头, 对象中的属性字段等, 所以内容相对较大
- 因为数据量大, 所以序列化和反序列化的过程比较慢
序列化的应用场景
- 持久化对象数据
- 网络中不能传输
Java对象, 只能将其序列化后传输二进制数据
在 Spark 中的序列化和反序列化的应用场景
Task分发
Task 是一个对象, 想在网络中传输对象就必须要先序列化
RDD 缓存
val rdd1 = rdd.flatMap(_.split(" "))
.map((_, 1))
.reduceByKey(_ + _)
rdd1.cache
RDD 中处理的是对象, 例如说字符串, Person 对象等
如果缓存 RDD 中的数据, 就需要缓存这些对象
对象是不能存在文件中的, 必须要将对象序列化后, 将二进制数据存入文件
广播变量
广播变量会分发到不同的机器上, 这个过程中需要使用网络, 对象在网络中传输就必须先被序列化
Shuffle 过程
Shuffle 过程是由 Reducer 从 Mapper 中拉取数据, 这里面涉及到两个需要序列化对象的原因
RDD中的数据对象需要在Mapper端落盘缓存, 等待拉取Mapper和Reducer要传输数据对象
Spark Streaming 的 Receiver
Spark Streaming 中获取数据的组件叫做 Receiver, 获取到的数据也是对象形式, 在获取到以后需要落盘暂存, 就需要对数据对象进行序列化
算子引用外部对象
class Unserializable(i: Int)
rdd.map(i => new Unserializable(i))
.collect
.foreach(println)
在 map 算子的函数中, 传入了一个 Unserializable 的对象
map 算子的函数是会在整个集群中运行的, 那 Unserializable 对象就需要跟随 map 算子的函数被传输到不同的节点上，如果 Unserializable 不能被序列化, 则会报错
RDD 的序列化
RDD 的序列化只能使用 Java 序列化器, 或者 Kryo 序列化器
- RDD 中存放的是数据对象, 要保留所有的数据就必须要对对象的元信息进行保存, 例如对象头之类的
- 保存一整个对象, 内存占用和效率会比较低一些
Kryo 是什么
Kryo是Spark引入的一个外部的序列化工具, 可以增快RDD的运行速度- 因为
Kryo序列化后的对象更小, 序列化和反序列化的速度非常快 - 在
RDD中使用Kryo的过程如下
val conf = new SparkConf()
.setMaster("local[6]")
.setAppName("KyroTest")
conf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
conf.registerKryoClasses(Array(classOf[Person]))
val sc = new SparkContext(conf)
...
rdd.map(arr => Person(arr(0), arr(1), arr(2)))
DataFrame 和 Dataset 中的序列化
DataFrame 和 Dataset 是为结构化数据优化的
在 DataFrame 和 Dataset 中, 数据和数据的 Schema 是分开存储的
spark.read
.csv("...")
.where($"name" =!= "")
.groupBy($"name")
.map(row: Row => row)
.show()
DataFrame 中没有数据对象这个概念, 所有的数据都以行的形式存在于 Row 对象中, Row 中记录了每行数据的结构, 包括列名, 类型等
Dataset 中上层可以提供有类型的 API, 用以操作数据, 但是在内部, 无论是什么类型的数据对象 Dataset 都使用一个叫做 InternalRow 的类型的对象存储数据
val dataset: Dataset[Person] = spark.read.csv(...).as[Person]
元信息独立
RDD 不保存数据的元信息, 所以只能使用 Java Serializer 或者 Kyro Serializer 保存 整个对象
DataFrame 和 Dataset 中保存了数据的元信息, 所以可以把元信息独立出来分开保存
一个 DataFrame 或者一个 Dataset 中, 元信息只需要保存一份, 序列化的时候, 元信息不需要参与
在反序列化 ( InternalRow → Object ) 时加入 Schema 信息即可
元信息不再参与序列化, 意味着数据存储量的减少, 和效率的增加
使用堆外内存
DataFrame 和 Dataset 不再序列化元信息, 所以内存使用大大减少. 同时新的序列化方式还将数据存入堆外内存中, 从而避免 GC 的开销.
堆外内存又叫做 Unsafe, 之所以叫不安全的, 因为不能使用 Java 的垃圾回收机制, 需要自己负责对象的创建和回收, 性能很好, 但是不建议普通开发者使用, 毕竟不安全
总结
- 当需要将对象缓存下来的时候, 或者在网络中传输的时候, 要把对象转成二进制, 在使用的时候再将二进制转为对象, 这个过程叫做序列化和反序列化
- 在
Spark中有很多场景需要存储对象, 或者在网络中传输对象Task分发的时候, 需要将任务序列化, 分发到不同的Executor中执行- 缓存
RDD的时候, 需要保存RDD中的数据 - 广播变量的时候, 需要将变量序列化, 在集群中广播
RDD的Shuffle过程中Map和Reducer之间需要交换数据- 算子中如果引入了外部的变量, 这个外部的变量也需要被序列化
RDD因为不保留数据的元信息, 所以必须要序列化整个对象, 常见的方式是Java的序列化器, 和Kyro序列化器Dataset和DataFrame中保留数据的元信息, 所以可以不再使用Java的序列化器和Kyro序列化器, 使用Spark特有的序列化协议, 生成UnsafeInternalRow用以保存数据, 这样不仅能减少数据量, 也能减少序列化和反序列化的开销, 其速度大概能达到RDD的序列化的20倍左右
1.3. Spark Streaming 和 Structured Streaming
Spark Streaming 时代
Spark Streaming 其实就是 RDD 的 API 的流式工具, 其本质还是 RDD, 存储和执行过程依然类似 RDD
Structured Streaming 时代
Structured Streaming 其实就是 Dataset 的 API 的流式工具, API 和 Dataset 保持高度一致
Structured Streaming 相比于 Spark Streaming 的进步就类似于 Dataset 相比于 RDD 的进步
另外还有一点, Structured Streaming 已经支持了连续流模型, 也就是类似于 Flink 那样的实时流, 而不是小批量, 但在使用的时候仍然有限制, 大部分情况还是应该采用小批量模式
在 2.2.0 以后 Structured Streaming 被标注为稳定版本, 意味着以后的 Spark 流式开发不应该在采用 Spark Streaming 了
2. Structured Streaming 入门案例
2.1. 需求梳理
需求
编写一个流式计算的应用, 不断的接收外部系统的消息
对消息中的单词进行词频统计
统计全局的结果
整体结构
Socket Server等待Structured Streaming程序连接Structured Streaming程序启动, 连接Socket Server, 等待Socket Server发送数据Socket Server发送数据,Structured Streaming程序接收数据Structured Streaming程序接收到数据后处理数据- 数据处理后, 生成对应的结果集, 在控制台打印
开发方式和步骤
Socket server 使用 Netcat nc 来实现
Structured Streaming 程序使用 IDEA 实现, 在 IDEA 中本地运行
- 编写代码
- 启动
nc发送Socket消息 - 运行代码接收
Socket消息统计词频
2.2. 代码实现
object SocketProcessor {
def main(args: Array[String]): Unit = {
// 1. 创建 SparkSession
val spark = SparkSession.builder()
.master("local[6]")
.appName("socket_processor")
.getOrCreate()
spark.sparkContext.setLogLevel("WARN")
import spark.implicits._
// 2. 读取外部数据源, 并转为 Dataset[String]
val source = spark.readStream
.format("socket")
.option("host", "node01")
.option("port", 9999)
.load()
//默认 readStream 会返回 DataFrame, 但是词频统计更适合使用 Dataset 的有类型 API
.as[String]
// 3. 统计词频
val words = source.flatMap(_.split(" "))
.map((_, 1))
.groupByKey(_._1)
.count()
// 4. 输出结果
words.writeStream
//统计全局结果, 而不是一个批次
.outputMode(OutputMode.Complete())
.format("console")
.start()
.awaitTermination()
}
}
2.3. 运行和结果验证
开启 Socket server 和运行程序
- 在虚拟机
node01中运行nc -lk 9999 - 在 IDEA 中运行程序
- 在
node01中输入以下内容
hello world
hello spark
hello hadoop
hello spark
hello spark
查看结果集
-------------------------------------------
Batch: 4
-------------------------------------------
+------+--------+
| value|count(1)|
+------+--------+
| hello| 5|
| spark| 3|
| world| 1|
|hadoop| 1|
+------+--------+
从结果集中可以观察到以下内容
Structured Streaming依然是小批量的流处理Structured Streaming的输出是类似DataFrame的, 也具有Schema, 所以也是针对结构化数据进行优化的- 从输出的时间特点上来看, 是一个批次先开始, 然后收集数据, 再进行展示, 这一点和
Spark Streaming不太一样
3. Stuctured Streaming 的体系和结构
3.1. 无限扩展的表格
Dataset 和流式计算
可以理解为 Spark 中的 Dataset 有两种, 一种是处理静态批量数据的 Dataset, 一种是处理动态实时流的 Dataset, 这两种 Dataset 之间的区别如下
- 流式的
Dataset使用readStream读取外部数据源创建, 使用writeStream写入外部存储 - 批式的
Dataset使用read读取外部数据源创建, 使用write写入外部存储
如何使用 Dataset 这个编程模型表示流式计算
可以把流式的数据想象成一个不断增长, 无限无界的表
无论是否有界, 全都使用 Dataset 这一套 API
通过这样的做法, 就能完全保证流和批的处理使用完全相同的代码, 减少这两种处理方式的差异
WordCount 的原理
整个计算过程大致上分为如下三个部分
Source, 读取数据源Query, 在流式数据上的查询Result, 结果集生成
整个的过程如下
- 随着时间段的流动, 对外部数据进行批次的划分
- 在逻辑上, 将缓存所有的数据, 生成一张无限扩展的表, 在这张表上进行查询
- 根据要生成的结果类型, 来选择是否生成基于整个数据集的结果
Dataset不仅可以表达流式数据的处理, 也可以表达批量数据的处理
Dataset 之所以可以表达流式数据的处理, 因为 Dataset 可以模拟一张无限扩展的表, 外部的数据会不断的流入到其中
3.2. 体系结构
在 Structured Streaming 中负责整体流程和执行的驱动引擎叫做 StreamExecution
StreamExecution 在流上进行基于 Dataset 的查询, 也就是说, Dataset 之所以能够在流上进行查询, 是因为 StreamExecution 的调度和管理
StreamExecution 如何工作?
StreamExecution 分为三个重要的部分
Source, 从外部数据源读取数据LogicalPlan, 逻辑计划, 在流上的查询计划Sink, 对接外部系统, 写入结果
StreamExecution 的执行顺序
1.根据进度标记, 从 Source 获取到一个由 DataFrame 表示的批次, 这个 DataFrame 表示数据的源头
val source = spark.readStream
.format("socket")
.option("host", "node01")
.option("port", 9999)
.load()
.as[String]
这一点非常类似 val df = spark.read.csv() 所生成的 DataFrame, 同样都是表示源头
2.根据源头 DataFrame 生成逻辑计划
val words = source.flatMap(_.split(" "))
.map((_, 1))
.groupByKey(_._1)
.count()
上述代码表示的就是数据的查询, 这一个步骤将这样的查询步骤生成为逻辑执行计划
3.优化逻辑计划最终生成物理计划
这一步其实就是使用 Catalyst 对执行计划进行优化, 经历基于规则的优化和基于成本模型的优化
4.执行物理计划将表示执行结果的 DataFrame / Dataset 交给 Sink
整个物理执行计划会针对每一个批次的数据进行处理, 处理后每一个批次都会生成一个表示结果的 Dataset
Sink 可以将每一个批次的结果 Dataset 落地到外部数据源
5.执行完毕后, 汇报 Source 这个批次已经处理结束, Source 提交并记录最新的进度
增量查询
上图中清晰的展示了最终的结果生成是全局的结果, 而不是一个批次的结果, 但是从 StreamExecution 中可以看到, 针对流的处理是按照一个批次一个批次来处理的
那么, 最终是如何生成全局的结果集呢?
状态记录
在 Structured Streaming 中有一个全局范围的高可用 StateStore, 这个时候针对增量的查询变为如下步骤
- 从
StateStore中取出上次执行完成后的状态 - 把上次执行的结果加入本批次, 再进行计算, 得出全局结果
- 将当前批次的结果放入
StateStore中, 留待下次使用
4. Source
4.1. 从 HDFS 中读取数据
在数据处理的时候, 经常会遇到这样的场景
有时候也会遇到这样的场景
以上两种场景有两个共同的特点
- 会产生大量小文件在
HDFS上 - 数据需要处理
4.1.1. 案例结构
- 编写
Python小程序, 在某个目录生成大量小文件Python是解释型语言, 其程序可以直接使用命令运行无需编译, 所以适合编写快速使用的程序, 很多时候也使用Python代替Shell- 使用
Python程序创建新的文件, 并且固定的生成一段JSON文本写入文件 - 在真实的环境中, 数据也是一样的不断产生并且被放入
HDFS中, 但是在真实场景下, 可能是Flume把小文件不断上传到HDFS中, 也可能是Sqoop增量更新不断在某个目录中上传小文件
- 使用
Structured Streaming汇总数据HDFS中的数据是不断的产生的, 所以也是流式的数据- 数据集是
JSON格式, 要有解析JSON的能力 - 因为数据是重复的, 要对全局的流数据进行汇总和去重, 其实真实场景下的数据清洗大部分情况下也是要去重的
- 使用控制台展示数据
- 最终的数据结果以表的形式呈现
- 真实的工作中, 可能数据是要落地到
MySQL,HBase,HDFS这样的存储系统中
实现步骤
Step 1: 编写 Python 脚本不断的产生数据
- 使用
Python创建字符串保存文件中要保存的数据 - 创建文件并写入文件内容
- 使用
Python调用系统HDFS命令上传文件
Step 2: 编写 Structured Streaming 程序处理数据
- 创建
SparkSession - 使用
SparkSession的readStream读取数据源 - 使用
Dataset操作数据, 只需要去重 - 使用
Dataset的writeStream设置Sink将数据展示在控制台中
Step 3: 部署程序, 验证结果
- 上传脚本到服务器中, 使用
python命令运行脚本 - 开启流计算应用, 读取 HDFS 中对应目录的数据
- 查看运行结果
难点和易错点
-
在读取
HDFS的文件时,Source不仅对接数据源, 也负责反序列化数据源中传过来的数据Source可以从不同的数据源中读取数据, 如Kafka,HDFS- 数据源可能会传过来不同的数据格式, 如
JSON,Parquet
-
读取
HDFS文件的这个Source叫做FileStreamSource从命名就可以看出来这个
Source不仅支持HDFS, 还支持本地文件读取, 亚马逊云, 阿里云 等文件系统的读取, 例如:file://,s3://,oss:// -
基于流的
Dataset操作和基于静态数据集的Dataset操作是一致的
4.1.2. 产生小文件并推送到 HDFS
随便在任一目录中创建文件 gen_files.py, 编写以下内容
import os
for index in range(1000):
content = """
{"name":"Michael"}
{"name":"Andy", "age":30}
{"name":"Justin", "age":19}
"""
file_name = "/export/dataset/text{0}.json".format(index)
with open(file_name, "w") as file:
file.write(content)
os.system("/export/servers/hadoop/bin/hdfs dfs -mkdir -p /dataset/dataset/")
os.system("/export/servers/hadoop/bin/hdfs dfs -put {0} /dataset/dataset/".format(file_name))
创建文件, 使用这样的写法是因为 with 是一种 Python 的特殊语法, 如果使用 with 去创建文件的话, 使用结束后会自动关闭流
4.1.3. 流式计算统计 HDFS 上的小文件
val spark = SparkSession.builder()
.appName("hdfs_source")
.master("local[6]")
.getOrCreate()
spark.sparkContext.setLogLevel("WARN")
val userSchema = new StructType()
.add("name", "string")
.add("age", "integer")
val source = spark
.readStream
.schema(userSchema)
.json("hdfs://node01:8020/dataset/dataset")
val result = source.distinct()
result.writeStream
.outputMode(OutputMode.Update())
.format("console")
.start()
.awaitTermination()
4.1.4. 运行和流程总结
运行 Python 程序
- 上传
Python源码文件到服务器中 - 运行
Python脚本
# 进入 Python 文件被上传的位置
cd ~
# 创建放置生成文件的目录
mkdir -p /export/dataset
# 运行程序
python gen_files.py
运行 Spark 程序
- 使用
Maven打包 - 上传至服务器
- 运行
Spark程序
# 进入保存 Jar 包的文件夹
cd ~
# 运行流程序
spark-submit --class cn.fk.structured.HDFSSource ./original-streaming-0.0.1.jar
4.2. 从 Kafka 中读取数据
4.2.1 Kafka 的场景和结构
Kafka 是一个 Pub / Sub 系统
Pub / Sub 是 Publisher / Subscriber 的简写, 中文称作为发布订阅系统
发布订阅系统可以有多个 Publisher 对应一个 Subscriber, 例如多个系统都会产生日志, 通过这样的方式, 一个日志处理器可以简单的获取所有系统产生的日志
发布订阅系统也可以一个 Publisher 对应多个 Subscriber, 这样就类似于广播了, 例如通过这样的方式可以非常轻易的将一个订单的请求分发给所有感兴趣的系统, 减少耦合性
当然, 在大数据系统中, 这样的消息系统往往可以作为整个数据平台的入口, 左边对接业务系统各个模块, 右边对接数据系统各个计算工具
Kafka 的特点
Kafka 有一个非常重要的应用场景就是对接业务系统和数据系统, 作为一个数据管道, 其需要流通的数据量惊人, 所以 Kafka 如果要满足这种场景的话, 就一定具有以下两个特点
- 高吞吐量
- 高可靠性
Topic 和 Partitions
消息和事件经常是不同类型的, 例如用户注册是一种消息, 订单创建也是一种消息
Kafka 中使用 Topic 来组织不同类型的消息
Kafka 中的 Topic 要承受非常大的吞吐量, 所以 Topic 应该是可以分片的, 应该是分布式的
4.2.2. Kafka 和 Structured Streaming 整合的结构
步骤
Topic的OffsetKafka和Structured Streaming的整合结构Structured Streaming读取Kafka消息的三种方式
Topic 的 Offset
Topic 是分区的, 每一个 Topic 的分区分布在不同的 Broker 上
每个分区都对应一系列的 Log 文件, 消息存在于 Log 中, 消息的 ID 就是这条消息在本分区的 Offset 偏移量
Offset 又称作为偏移量, 其实就是一个东西距离另外一个东西的距离
Kafka 中使用 Offset 命名消息, 而不是指定 ID 的原因是想表示永远自增, ID 是可以指定的, 但是 Offset 只能是一个距离值, 它只会越来越大, 所以, 叫做 Offset 而不叫 ID 也是这个考虑, 消息只能追加到 Log 末尾, 只能增长不能减少
Kafka 和 Structured Streaming 整合的结构
Structured Streaming 中使用 Source 对接外部系统, 对接 Kafka 的 Source 叫做 KafkaSource
KafkaSource 中会使用 KafkaSourceRDD 来映射外部 Kafka 的 Topic, 两者的 Partition 一一对应
Structured Streaming 会并行的从 Kafka 中获取数据
Structured Streaming 读取 Kafka 消息的三种方式
Earliest 从每个 Kafka 分区最开始处开始获取
Assign 手动指定每个 Kafka 分区中的 Offset
Latest 不再处理之前的消息, 只获取流计算启动后新产生的数据
总结
Kafka 中的消息存放在某个 Topic 的某个 Partition 中, 消息是不可变的, 只会在消息过期的时候从最早的消息开始删除, 消息的 ID 也叫做 Offset, 并且只能正增长
Structured Streaming 整合 Kafka 的时候, 会并行的通过 Offset 从所有 Topic 的 Partition 中获取数据
Structured Streaming 在从 Kafka 读取数据的时候, 可以选择从最早的地方开始读取, 也可以选择从任意位置读取, 也可以选择只读取最新的
4.2.3. 需求介绍
需求
1.模拟一个智能物联网系统的数据统计
有一个智能家居品牌叫做 Nest, 他们主要有两款产品, 一个是恒温器, 一个是摄像头
恒温器的主要作用是通过感应器识别家里什么时候有人, 摄像头主要作用是通过学习算法来识别出现在摄像头中的人是否是家里人, 如果不是则报警
所以这两个设备都需要统计一个指标, 就是家里什么时候有人, 此需求就是针对这个设备的一部分数据, 来统计家里什么时候有人
2.使用生产者在 Kafka 的 Topic : streaming-test 中输入 JSON 数据
{
"devices": {
"cameras": {
"device_id": "awJo6rH",
"last_event": {
"has_sound": true,
"has_motion": true,
"has_person": true,
"start_time": "2019-12-29T00:00:00.000Z",
"end_time": "2019-12-29T18:42:00.000Z"
}
}
}
}
3.使用 Structured Streaming 来过滤出来家里有人的数据
把数据转换为 时间 → 是否有人 这样类似的形式
数据转换
JSON 数据本质上就是字符串, 只不过这个字符串是有结构的, 虽然有结构, 但是很难直接从字符串中取出某个值
而反序列化, 就是指把 JSON 数据转为对象, 或者转为 DataFrame, 可以直接使用某一个列或者某一个字段获取数据, 更加方便，而想要做到这件事, 必须要先根据数据格式, 编写 Schema 对象, 从而通过一些方式转为 DataFrame
val eventType = new StructType()
.add("has_sound", BooleanType, nullable = true)
.add("has_motion", BooleanType, nullable = true)
.add("has_person", BooleanType, nullable = true)
.add("start_time", DateType, nullable = true)
.add("end_time", DateType, nullable = true)
val camerasType = new StructType()
.add("device_id", StringType, nullable = true)
.add("last_event", eventType, nullable = true)
val devicesType = new StructType()
.add("cameras", camerasType, nullable = true)
val schema = new StructType()
.add("devices", devicesType, nullable = true)
4.2.4. 使用 Spark 流计算连接 Kafka 数据源
创建 Topic 并输入数据到 Topic
1.使用命令创建 Topic
bin/kafka-topics.sh --create --topic streaming_test --replication-factor 1 --partitions 3 --zookeeper node01:2181
2.开启 Producer
bin/kafka-console-producer.sh --broker-list node01:9092,node02:9092,node03:9092 --topic streaming_test
3.把 JSON 转为单行输入
{"devices":{"cameras":{"device_id":"awJo6rH","last_event":{"has_sound":true,"has_motion":true,"has_person":true,"start_time":"2019-12-29T00:00:00.000Z","end_time":"2019-12-29T18:42:00.000Z"}}}}
使用 Spark 读取 Kafka 的 Topic
1.编写 Spark 代码读取 Kafka Topic
val source = spark.readStream
.format("kafka")
.option("kafka.bootstrap.servers", "node01:9092,node01:9092,node03:9092")
.option("subscribe", "streaming_test")
.option("startingOffsets", "earliest")
.load()
三个参数
kafka.bootstrap.servers: 指定Kafka的Server地址subscribe: 要监听的Topic, 可以传入多个, 传入多个 Topic 则监听多个 Topic, 也可以使用topic-*这样的通配符写法startingOffsets: 从什么位置开始获取数据, 可选值有earliest,assign,latest
format 设置为 Kafka 指定使用 KafkaSource 读取数据
2.思考: 从 Kafka 中应该获取到什么?
业务系统有很多种类型, 有可能是 Web 程序, 有可能是物联网
前端大多数情况下使用 JSON 做数据交互
问题1: 业务系统如何把数据给 Kafka ?
可以主动或者被动的把数据交给 Kafka, 但是无论使用什么方式, 都在使用 Kafka 的 Client 类库来完成这件事, Kafka 的类库调用方式如下
Producer producer = new KafkaProducer(properties);
producer.send(new ProducerRecord("HelloWorld", msg));
其中发给 Kafka 的消息是 KV 类型的
问题2: 使用 Structured Streaming 访问 Kafka 获取数据的时候, 需要什么东西呢?
- 存储当前处理过的
Kafka的Offset - 对接多个
Kafka Topic的时候, 要知道这条数据属于哪个Topic
结论
Kafka中收到的消息是KV类型的, 有Key, 有ValueStructured Streaming对接Kafka的时候, 每一条Kafka消息不能只是KV, 必须要有Topic,Partition之类的信息
3.从 Kafka 获取的 DataFrame 格式
source.printSchema()
结果如下
root
|-- key: binary (nullable = true)
|-- value: binary (nullable = true)
|-- topic: string (nullable = true)
|-- partition: integer (nullable = true)
|-- offset: long (nullable = true)
|-- timestamp: timestamp (nullable = true)
|-- timestampType: integer (nullable = true)
从 Kafka 中读取到的并不是直接是数据, 而是一个包含各种信息的表格, 其中每个字段的含义如下
4.2.5. JSON 解析和数据统计
JSON 解析
1.准备好 JSON 所在的列
由 Dataset 的结构可以知道 key 和 value 列的类型都是 binary 二进制, 所以要将其转为字符串, 才可进行 JSON 解析
source.selectExpr("CAST(key AS STRING) as key", "CAST(value AS STRING) as value")
2.编写 Schema 对照 JSON 的格式
Key要对应JSON中的KeyValue的类型也要对应JSON中的Value类型
val eventType = new StructType()
.add("has_sound", BooleanType, nullable = true)
.add("has_motion", BooleanType, nullable = true)
.add("has_person", BooleanType, nullable = true)
.add("start_time", DateType, nullable = true)
.add("end_time", DateType, nullable = true)
val camerasType = new StructType()
.add("device_id", StringType, nullable = true)
.add("last_event", eventType, nullable = true)
val devicesType = new StructType()
.add("cameras", camerasType, nullable = true)
val schema = new StructType()
.add("devices", devicesType, nullable = true)
3.因为 JSON 中包含 Date 类型的数据, 所以要指定时间格式化方式
val jsonOptions = Map("timestampFormat" -> "yyyy-MM-dd'T'HH:mm:ss.sss'Z'")
4.使用 from_json 这个 UDF 格式化 JSON
.select(from_json('value, schema, jsonOptions).alias("parsed_value"))
5.选择格式化过后的 JSON 中的字段
因为 JSON 被格式化过后, 已经变为了 StructType, 所以可以直接获取其中某些字段的值
.selectExpr("parsed_value.devices.cameras.last_event.has_person as has_person",
"parsed_value.devices.cameras.last_event.start_time as start_time")
数据处理
1.统计各个时段有人的数据
.filter('has_person === true)
.groupBy('has_person, 'start_time)
.count()
2.将数据落地到控制台
result.writeStream
.outputMode(OutputMode.Complete())
.format("console")
.start()
.awaitTermination()
全部完整代码
import org.apache.spark.sql.SparkSession
val spark = SparkSession.builder()
.master("local[6]")
.appName("kafka integration")
.getOrCreate()
import org.apache.spark.sql.streaming.OutputMode
import org.apache.spark.sql.types._
val source = spark
.readStream
.format("kafka")
.option("kafka.bootstrap.servers", "node01:9092,node02:9092,node03:9092")
.option("subscribe", "streaming_test")
.option("startingOffsets", "earliest")
.load()
val eventType = new StructType()
.add("has_sound", BooleanType, nullable = true)
.add("has_motion", BooleanType, nullable = true)
.add("has_person", BooleanType, nullable = true)
.add("start_time", DateType, nullable = true)
.add("end_time", DateType, nullable = true)
val camerasType = new StructType()
.add("device_id", StringType, nullable = true)
.add("last_event", eventType, nullable = true)
val devicesType = new StructType()
.add("cameras", camerasType, nullable = true)
val schema = new StructType()
.add("devices", devicesType, nullable = true)
val jsonOptions = Map("timestampFormat" -> "yyyy-MM-dd'T'HH:mm:ss.sss'Z'")
import org.apache.spark.sql.functions._
import spark.implicits._
val result = source.selectExpr("CAST(key AS STRING) as key", "CAST(value AS STRING) as value")
.select(from_json('value, schema, jsonOptions).alias("parsed_value"))
.selectExpr("parsed_value.devices.cameras.last_event.has_person as has_person",
"parsed_value.devices.cameras.last_event.start_time as start_time")
.filter('has_person === true)
.groupBy('has_person, 'start_time)
.count()
result.writeStream
.outputMode(OutputMode.Complete())
.format("console")
.start()
.awaitTermination()
运行测试
1.进入服务器中, 启动 Kafka
2.启动 Kafka 的 Producer
bin/kafka-console-producer.sh --broker-list node01:9092,node02:9092,node03:9092 --topic streaming_test
3.启动 Spark shell 并拷贝代码进行测试
./bin/spark-shell --packages org.apache.spark:spark-sql-kafka-0-10_2.11:2.2.0
因为需要和 Kafka 整合, 所以在启动的时候需要加载和 Kafka 整合的包 spark-sql-kafka-0-10
5. Sink
5.1. HDFS Sink
场景
Kafka 往往作为数据系统和业务系统之间的桥梁
数据系统一般由批量处理和流式处理两个部分组成
在 Kafka 作为整个数据平台入口的场景下, 需要使用 StructuredStreaming 接收 Kafka 的数据并放置于 HDFS 上, 后续才可以进行批量处理
案例需求
从 Kafka 接收数据, 从给定的数据集中, 裁剪部分列, 落地于 HDFS
代码实现
import org.apache.spark.sql.SparkSession
val spark = SparkSession.builder()
.master("local[6]")
.appName("hdfs sink")
.getOrCreate()
import spark.implicits._
val source = spark
.readStream
.format("kafka")
.option("kafka.bootstrap.servers", "node01:9092,node02:9092,node03:9092")
.option("subscribe", "streaming-bank")
.option("startingOffsets", "earliest")
.load()
//从 DataFrame 中取出表示 Kafka 消息内容的 value 列并转为 String 类型
.selectExpr("CAST(value AS STRING)")
.as[String]
val result = source.map {
item =>
val arr = item.replace("\"", "").split(";")
(arr(0).toInt, arr(1).toInt, arr(5).toInt)
}
.as[(Int, Int, Int)]
.toDF("age", "job", "balance")
result.writeStream
.format("parquet") // 也可以是 "orc", "json", "csv" 等
.option("path", "/dataset/streaming/result/")
.start()
5.2. Kafka Sink
场景
有很多时候, ETL 过后的数据, 需要再次放入 Kafka
在 Kafka 后, 可能会有流式程序统一将数据落地到 HDFS 或者 HBase
案例需求
从 Kafka 中获取数据, 简单处理, 再次放入 Kafka
代码实现
import org.apache.spark.sql.SparkSession
val spark = SparkSession.builder()
.master("local[6]")
.appName("kafka integration")
.getOrCreate()
import spark.implicits._
val source = spark
.readStream
.format("kafka")
.option("kafka.bootstrap.servers", "node01:9092,node02:9092,node03:9092")
.option("subscribe", "streaming-bank")
.option("startingOffsets", "earliest")
.load()
.selectExpr("CAST(value AS STRING)")
.as[String]
val result = source.map {
item =>
val arr = item.replace("\"", "").split(";")
(arr(0).toInt, arr(1).toInt, arr(5).toInt)
}
.as[(Int, Int, Int)]
.toDF("age", "job", "balance")
result.writeStream
.format("kafka")
.outputMode(OutputMode.Append())
.option("kafka.bootstrap.servers", "node01:9092,node02:9092,node03:9092")
.option("topic", "streaming-bank-result")
.start()
.awaitTermination()
5.3. ForeachWriter
场景
大数据有一个常见的应用场景
- 收集业务系统数据
- 数据处理
- 放入
OLTP数据 - 外部通过
ECharts展示
这个场景下, StructuredStreaming 就需要处理数据并放入 MySQL 或者 MongoDB, HBase 中以供 Web 程序可以获取数据, 图表的形式展示在前端
Foreach 模式
起因
- 在
Structured Streaming中, 并未提供完整的MySQL/JDBC整合工具 - 不止
MySQL和JDBC, 可能会有其它的目标端需要写入 - 很多时候
Structured Streaming需要对接一些第三方的系统, 例如阿里云的云存储, 亚马逊云的云存储等, 但是Spark无法对所有第三方都提供支持, 有时候需要自己编写
解决方案
既然无法满足所有的整合需求, StructuredStreaming 提供了 Foreach, 可以拿到每一个批次的数据
通过 Foreach 拿到数据后, 可以通过自定义写入方式, 从而将数据落地到其它的系统
案例需求
从 Kafka 中获取数据, 处理后放入 MySQL
代码实现
import org.apache.spark.sql.SparkSession
val spark = SparkSession.builder()
.master("local[6]")
.appName("foreach sink")
.getOrCreate()
import spark.implicits._
val source = spark
.readStream
.format("kafka")
.option("kafka.bootstrap.servers", "node01:9092,node02:9092,node03:9092")
.option("subscribe", "streaming-bank")
.option("startingOffsets", "earliest")
.load()
.selectExpr("CAST(value AS STRING)")
.as[String]
val result = source.map {
item =>
val arr = item.replace("\"", "").split(";")
(arr(0).toInt, arr(1).toInt, arr(5).toInt)
}
.as[(Int, Int, Int)]
.toDF("age", "job", "balance")
class MySQLWriter extends ForeachWriter[Row] {
val driver = "com.mysql.jdbc.Driver"
var statement: Statement = _
var connection: Connection = _
val url: String = "jdbc:mysql://node03:3306/streaming-bank-result"
val user: String = "root"
val pwd: String = "123456"
override def open(partitionId: Long, version: Long): Boolean = {
Class.forName(driver)
connection = DriverManager.getConnection(url, user, pwd)
this.statement = connection.createStatement
true
}
override def process(value: Row): Unit = {
statement.executeUpdate(s"insert into bank values(" +
s"${value.getAs[Int]("age")}, " +
s"${value.getAs[Int]("job")}, " +
s"${value.getAs[Int]("balance")} )")
}
override def close(errorOrNull: Throwable): Unit = {
connection.close()
}
}
result.writeStream
.foreach(new MySQLWriter)
.start()
.awaitTermination()
5.4. 自定义 Sink
Spark 加载 Sink 流程分析
Sink 加载流程
1.writeStream 方法中会创建一个 DataStreamWriter 对象
def writeStream: DataStreamWriter[T] = {
if (!isStreaming) {
logicalPlan.failAnalysis(
"'writeStream' can be called only on streaming Dataset/DataFrame")
}
new DataStreamWriter[T](this)
}
2.在 DataStreamWriter 对象上通过 format 方法指定 Sink 的短名并记录下来
def format(source: String): DataStreamWriter[T] = {
this.source = source
this
}
3.最终会通过 DataStreamWriter 对象上的 start 方法启动执行, 其中会通过短名创建 DataSource
val dataSource =
DataSource(
df.sparkSession,
//传入的 Sink 短名
className = source,
options = extraOptions.toMap,
partitionColumns = normalizedParCols.getOrElse(Nil))
4.在创建 DataSource 的时候, 会通过一个复杂的流程创建出对应的 Source 和 Sink
lazy val providingClass: Class[_] = DataSource.lookupDataSource(className)
5.在这个复杂的创建流程中, 有一行最关键的代码, 就是通过 Java 的类加载器加载所有的 DataSourceRegister
val serviceLoader = ServiceLoader.load(classOf[DataSourceRegister], loader)
6.在 DataSourceRegister 中会创建对应的 Source 或者 Sink
trait DataSourceRegister {
//提供短名
def shortName(): String
}
trait StreamSourceProvider {
//创建 Source
def createSource(
sqlContext: SQLContext,
metadataPath: String,
schema: Option[StructType],
providerName: String,
parameters: Map[String, String]): Source
}
trait StreamSinkProvider {
//创建 Sink
def createSink(
sqlContext: SQLContext,
parameters: Map[String, String],
partitionColumns: Seq[String],
outputMode: OutputMode): Sink
}
自定义 Sink 的方式
根据前面的流程说明, 有两点非常重要
Spark会自动加载所有DataSourceRegister的子类, 所以需要通过DataSourceRegister加载Source和Sink- Spark 提供了
StreamSinkProvider用以创建Sink, 提供必要的依赖
所以如果要创建自定义的 Sink, 需要做两件事
- 创建一个注册器, 继承
DataSourceRegister提供注册功能, 继承StreamSinkProvider获取创建Sink的必备依赖 - 创建一个
Sink子类
代码实现
import org.apache.spark.sql.SparkSession
val spark = SparkSession.builder()
.master("local[6]")
.appName("kafka integration")
.getOrCreate()
import spark.implicits._
val source = spark
.readStream
.format("kafka")
.option("kafka.bootstrap.servers", "node01:9092,node02:9092,node03:9092")
.option("subscribe", "streaming-bank")
.option("startingOffsets", "earliest")
.load()
.selectExpr("CAST(value AS STRING)")
.as[String]
val result = source.map {
item =>
val arr = item.replace("\"", "").split(";")
(arr(0).toInt, arr(1).toInt, arr(5).toInt)
}
.as[(Int, Int, Int)]
.toDF("age", "job", "balance")
class MySQLSink(options: Map[String, String], outputMode: OutputMode) extends Sink {
override def addBatch(batchId: Long, data: DataFrame): Unit = {
val userName = options.get("userName").orNull
val password = options.get("password").orNull
val table = options.get("table").orNull
val jdbcUrl = options.get("jdbcUrl").orNull
val properties = new Properties
properties.setProperty("user", userName)
properties.setProperty("password", password)
data.write.mode(outputMode.toString).jdbc(jdbcUrl, table, properties)
}
}
class MySQLStreamSinkProvider extends StreamSinkProvider with DataSourceRegister {
override def createSink(sqlContext: SQLContext,
parameters: Map[String, String],
partitionColumns: Seq[String],
outputMode: OutputMode): Sink = {
new MySQLSink(parameters, outputMode)
}
override def shortName(): String = "mysql"
}
result.writeStream
.format("mysql")
.option("username", "root")
.option("password", "root")
.option("table", "streaming-bank-result")
.option("jdbcUrl", "jdbc:mysql://node01:3306/test")
.start()
.awaitTermination()
5.5. Tigger
微批次处理
什么是微批次
并不是真正的流, 而是缓存一个批次周期的数据, 后处理这一批次的数据
通用流程
步骤
- 根据
Spark提供的调试用的数据源Rate创建流式DataFrameRate数据源会定期提供一个由两列timestamp, value组成的数据,value是一个随机数
- 处理和聚合数据, 计算每个个位数和十位数各有多少条数据
- 对
value求log10即可得出其位数 - 后按照位数进行分组, 最终就可以看到每个位数的数据有多少个
- 对
代码
val spark = SparkSession.builder()
.master("local[6]")
.appName("socket_processor")
.getOrCreate()
import org.apache.spark.sql.functions._
import spark.implicits._
spark.sparkContext.setLogLevel("ERROR")
val source = spark.readStream
.format("rate")
.load()
val result = source.select(log10('value) cast IntegerType as 'key, 'value)
.groupBy('key)
.agg(count('key) as 'count)
.select('key, 'count)
.where('key.isNotNull)
.sort('key.asc)
默认方式划分批次
默认情况下的 Structured Streaming 程序会运行在微批次的模式下, 当一个批次结束后, 下一个批次会立即开始处理
指定落地到 Console 中, 不指定 Trigger
result.writeStream
.outputMode(OutputMode.Complete())
.format("console")
.start()
.awaitTermination()
按照固定时间间隔划分批次
使用微批次处理数据, 使用用户指定的时间间隔启动批次, 如果间隔指定为 0, 则尽可能快的去处理, 一个批次紧接着一个批次
- 如果前一批数据提前完成, 待到批次间隔达成的时候再启动下一个批次
- 如果前一批数据延后完成, 下一个批次会在前面批次结束后立即启动
- 如果没有数据可用, 则不启动处理
通过 Trigger.ProcessingTime() 指定处理间隔
result.writeStream
.outputMode(OutputMode.Complete())
.format("console")
.trigger(Trigger.ProcessingTime("2 seconds"))
.start()
.awaitTermination()
一次性划分批次
只划分一个批次, 处理完成以后就停止 Spark 工作, 当需要启动一下 Spark 处理遗留任务的时候, 处理完就关闭集群的情况下, 这个划分方式非常实用
使用 Trigger.Once 一次性划分批次
result.writeStream
.outputMode(OutputMode.Complete())
.format("console")
.trigger(Trigger.Once())
.start()
.awaitTermination()
连续流处理
微批次会将收到的数据按照批次划分为不同的 DataFrame, 后执行 DataFrame, 所以其数据的处理延迟取决于每个 DataFrame 的处理速度, 最快也只能在一个 DataFrame 结束后立刻执行下一个, 最快可以达到 100ms 左右的端到端延迟
而连续流处理可以做到大约 1ms 的端到端数据处理延迟，连续流处理可以达到 at-least-once 的容错语义，从 Spark 2.3 版本开始支持连续流处理
用特殊的 Trigger 完成功能
result.writeStream
.outputMode(OutputMode.Complete())
.format("console")
.trigger(Trigger.Continuous("1 second"))
.start()
.awaitTermination()
限制
- 只支持
Map类的有类型操作 - 只支持普通的的
SQL类操作, 不支持聚合 Source只支持KafkaSink只支持Kafka,Console,Memory
5.6. 从 Source 到 Sink 的流程
- 在每个
StreamExecution的批次最开始,StreamExecution会向Source询问当前Source的最新进度, 即最新的offset StreamExecution将Offset放到WAL里StreamExecution从Source获取start offset,end offset区间内的数据StreamExecution触发计算逻辑logicalPlan的优化与编译- 计算结果写出给
Sink- 调用
Sink.addBatch(batchId: Long, data: DataFrame)完成 - 此时才会由
Sink的写入操作开始触发实际的数据获取和计算过程
- 调用
- 在数据完整写出到
Sink后,StreamExecution通知Source批次id写入到batchCommitLog, 当前批次结束
5.7. 错误恢复和容错语义
端到端
Source 可能是 Kafka, HDFS
Sink 也可能是 Kafka, HDFS, MySQL 等存储服务
消息从 Source 取出, 经过 Structured Streaming 处理, 最后落地到 Sink 的过程, 叫做端到端
三种容错语义
at-most-once
在数据从 Source 到 Sink 的过程中, 出错了, Sink 可能没收到数据, 但是不会收到两次, 叫做 at-most-once
一般错误恢复的时候, 不重复计算, 则是 at-most-once
at-least-once
在数据从 Source 到 Sink 的过程中, 出错了, Sink 一定会收到数据, 但是可能收到两次, 叫做 at-least-once
一般错误恢复的时候, 重复计算可能完成也可能未完成的计算, 则是 at-least-once
exactly-once
在数据从 Source 到 Sink 的过程中, 虽然出错了, Sink 一定恰好收到应该收到的数据, 一条不重复也一条都不少, 即是 exactly-once，想做到 exactly-once 是非常困难的
Sink 的容错
故障恢复一般分为 Driver 的容错和 Task 的容错
Driver的容错指的是整个系统都挂掉了Task的容错指的是一个任务没运行明白, 重新运行一次
因为 Spark 的 Executor 能够非常好的处理 Task 的容错, 所以我们主要讨论 Driver 的容错
-
读取
WAL offsetlog恢复出最新的offsets当
StreamExecution找到Source获取数据的时候, 会将数据的起始放在WAL offsetlog中, 当出错要恢复的时候, 就可以从中获取当前处理批次的数据起始, 例如Kafka的Offset -
读取
batchCommitLog决定是否需要重做最近一个批次当
Sink处理完批次的数据写入时, 会将当前的批次ID存入batchCommitLog, 当出错的时候就可以从中取出进行到哪一个批次了, 和WAL对比即可得知当前批次是否处理完 -
如果有必要的话, 当前批次数据重做
- 如果上次执行在
(5)结束前即失效, 那么本次执行里Sink应该完整写出计算结果 - 如果上次执行在
(5)结束后才失效, 那么本次执行里Sink可以重新写出计算结果 (覆盖上次结果), 也可以跳过写出计算结果(因为上次执行已经完整写出过计算结果了)
- 如果上次执行在
-
这样即可保证每次执行的计算结果, 在 Sink 这个层面, 是
不重不丢的, 即使中间发生过失效和恢复, 所以Structured Streaming可以做到exactly-once
容错所需要的存储
offsetlog 和 batchCommitLog 关乎于错误恢复
offsetlog 和 batchCommitLog 需要存储在可靠的空间里
offsetlog 和 batchCommitLog 存储在 Checkpoint 中
WAL 其实也存在于 Checkpoint 中
只有指定了 Checkpoint 路径的时候, 对应的容错功能才可以开启
aggDF
.writeStream
.outputMode("complete")
//指定 Checkpoint 的路径, 这个路径对应的目录必须是 HDFS 兼容的文件系统
.option("checkpointLocation", "path/to/HDFS/dir")
.format("memory")
.start()
需要的外部支持
如果要做到 exactly-once, 只是 Structured Streaming 能做到还不行, 还需要 Source 和 Sink 系统的支持
1.Source 需要支持数据重放
当有必要的时候, Structured Streaming 需要根据 start 和 end offset 从 Source 系统中再次获取数据, 这叫做重放
2.Sink 需要支持幂等写入
如果需要重做整个批次的时候, Sink 要支持给定的 ID 写入数据, 这叫幂等写入, 一个 ID 对应一条数据进行写入, 如果前面已经写入, 则替换或者丢弃, 不能重复
所以 Structured Streaming 想要做到 exactly-once, 则也需要外部系统的支持, 如下
6. 算子
无状态算子
有状态算子
有中间状态需要保存
增量查询
6.1. 常规算子
需求
给定电影评分数据集 ratings.dat, 位置在 Spark/Files/Dataset/Ratings/ratings.dat
筛选评分超过三分的电影
以追加模式展示数据, 以流的方式来一批数据处理一批数据, 最终每一批次展示为如下效果
+------+-------+
|Rating|MovieID|
+------+-------+
| 5| 1193|
| 4| 3408|
+------+-------+
步骤
- 创建 SparkSession
- 读取并处理数据结构
- 处理数据
- 选择要展示的列
- 筛选超过三分的数据
- 追加模式展示数据到控制台
代码
读取文件的时候只能读取一个文件夹, 因为是流的操作, 流的场景是源源不断有新的文件读取
val source = spark.readStream
.textFile("dataset/ratings")
.map(line => {
val columns = line.split("::")
(columns(0).toInt, columns(1).toInt, columns(2).toInt, columns(3).toLong)
})
.toDF("UserID", "MovieID", "Rating", "Timestamp")
val result = source.select('Rating, 'MovieID)
.where('Rating > 3)
针对静态数据集的很多转换算子, 都可以应用在流式的 Dataset 上, 例如 Map, FlatMap, Where, Select 等
6.2. 分组算子
需求
给定电影数据集 movies.dat, 其中三列 MovieID, Title, Genres
统计每个分类下的电影数量
步骤
-
创建
SparkSession -
读取数据集, 并组织结构
注意
Genres是genres1|genres2形式, 需要分解为数组 -
使用
explode函数将数组形式的分类变为单值多条形式 -
分组聚合
Genres -
输出结果
代码
val source = spark.readStream
.textFile("dataset/movies")
.map(line => {
val columns = line.split("::")
(columns(0).toInt, columns(1).toString, columns(2).toString.split("\\|"))
})
.toDF("MovieID", "Title", "Genres")
val result = source.select(explode('Genres) as 'Genres)
.groupBy('Genres)
.agg(count('Genres) as 'Count)
result.writeStream
.outputMode(OutputMode.Complete())
.format("console")
.queryName("genres_count")
.start()
.awaitTermination()
Structured Streaming 不仅支持 groupBy, 还支持 groupByKey