Spark 案例实操（Spark Streaming之WordCount）

Spark Streaming 是什么

Spark Streaming 用于流式数据的处理。Spark Streaming 支持的数据输入源很多，例如：Kafka、

Flume、Twitter、ZeroMQ 和简单的 TCP 套接字等等。数据输入后可以用 Spark 的高度抽象原语

如：map、reduce、join、window 等进行运算。而结果也能保存在很多地方，如 HDFS，数据库等。和 Spark 基于 RDD 的概念很相似，Spark Streaming 使用离散化流(discretized stream)作为抽象表示，叫作 DStream。DStream 是随时间推移而收到的数据的序列。在内部，每个时间区间收到的数据都作为 RDD 存在，而 DStream 是由这些 RDD 所组成的序列(因此得名“离散化”)。所以简单来将，DStream 就是对 RDD 在实时数据处理场景的一种封装。

Spark Streaming 的特点

易于使用。Spark Streaming提供了很多高级操作算子，允许以编写批处理作业的方式编写流式作业。它支持Java、Scala和Python语言。

易于与Spark体系整合。通过在Spark Core上运行Spark Streaming，可以在Spark Streaming中使用与Spark RDD相同的代码进行批处理，构建强大的交互应用程序，而不仅仅是数据分析。

接下来进行一个简单的streaming实操：

1. 准备netcat-win3.2-1.12压缩包，将其解压到D盘（自己选择位置，在解压前新建文件夹netcat）

2. 添加环境变量

3. 测试netcat是否成功运行，打开两个命令窗口，第一个执行nc  -L –p 9000  -v  第二个执行nc localhost 9000，如图所示：

能够接受和发送消息则说明netcat安装成功

4. 打开Idea，创建streaming包，新建StreamingWordCount.scala

5. 在pom.xml中添加依赖

     org.apache.spark
     spark-streaming_2.12
     3.0.0

 6. 接下来编写代码

package com.streaming

import org.apache.spark.SparkConf
import org.apache.spark.streaming.dstream.{DStream, ReceiverInputDStream}
import org.apache.spark.streaming.{Seconds, StreamingContext}

object StreamWordCount {
  def main(args: Array[String]): Unit = {
    //TODO  创建环境对象
    val conf = new SparkConf().setMaster("local[*]").setAppName("StreamWordCount")

    val ssc = new StreamingContext(conf,Seconds(3))
    //TODO 逻辑处理
    //获取端口数据
    val lines: ReceiverInputDStream[String] = ssc.socketTextStream("localhost", 9999)
    val words = lines.flatMap(_.split(" "))
    val wordToOne = words.map((_,1))
    val wordToCount: DStream[(String, Int)] = wordToOne.reduceByKey(_+_)
    wordToCount.print()

    // 由于SparkStreaming采集器是长期执行的任务，所以不能直接关闭
    // 如果main方法执行完毕，应用程序也会自动结束。所以不能让main执行完毕
    //ssc.stop()
    // 1. 启动采集器
    ssc.start()
    // 2. 等待采集器的关闭
    ssc.awaitTermination()
  }
}

7. 先不运行IDEA中代码，打开cmd窗口，输入命令nc - lp 9999连接到9999端口

8. 此时运行IDEA中代码，在连接到9999端口后输入所需要的单词数，这里以yanghao yanghao为例

在IDEA运行窗口会显示

 

最后，因为streaming是一个流处理操作，所以会随着时间来切分数据，每隔一段时间处理一次

（如有错误，还请各位大佬指点指点）