SparkStreaming

1、SparkStreaming概述

• 数据处理类型分类
  • 静态数据
    • 数据源是不变的、有限的、显式离散的
    • 多适用于批量计算、离线计算
  • 流数据
    • 数据是变动的、无限的、连续的
    • 多适用于实时计算，能在秒级、秒内处理完成
      • 实时数据分类
        • 小时级
        • 分钟级
        • 秒级
  • sparkstreaming是什么
    • 一句话总结：微批处理的流式(数据)实时计算框架。
    • 原理：是把输入数据以某一时间间隔批量的处理，当批处理间隔缩短到秒级时，即可用于处理实时数据流。
    • 优点
      • 可以和spark core、sparksql等无缝集成
      • 支持从多种数据源获取数据，包括Kafka、Flume、Twitter、ZeroMQ、Kinesis以及TCP sockets，然后可以使用诸如map、reduce、join等高级函数进行复杂算法的处理，最后可以将处理结果存储到HDFS文件系统，数据库等。
  • 重要概念说明
    • StreamingContext
      • 类比于SparkContext，SparkSqlContext
      • 流计算框架中的中枢类，负责各种环境信息、分发调度等任务。
    • 数据源
      • 简称：Source，意为DataSource的缩写
      • 指流数据的来源是哪里，如文件，Socket输入、Kafka等。
    • 离散流
      • 英文称Discretized Stream，简称DStream，即为sparkstreaming微批处理当中的数据抽象单位。
      • 是继spark core的RDD、spark sql的DataFrame和DataSet后又一基础的数据类型，是spark streaming特有的数据类型。
    • 输入离散流
      • 英文简称：Input DStream
      • 将Spark Streaming连接到一个外部Source数据源来读取数据的统称
    • 批数据
      • 英文称Batch Data
      • 连续数据离散化的步骤：将流式实时连续的数据整体转化成以时间片为单位进行分批，即将流式数据转化成时间片为单位数据进行批数据处理，随着时间推移，这些处理结果即形成结果数据流，即流处理引擎形成。
    • 时间片或批处理时间间隔
      • 英文称 batch interval
      • 人为对流数据进行定量的标准，以时间片作为拆分流数据的依据。
      • 一个时间片的数据对应一个RDD实例。
    • 窗口长度
      • 英文称window length
      • 一个窗口覆盖的流数据的时间长度，必须是批处理时间间隔的倍数。
      • 窗口分类
        • 滑动窗口
        • 滚动窗口
    • 滑动窗口时间间隔
      • 滑动窗口：简称Sliding window
      • 前一个窗口到后一个窗口所经过的时间长度间隔。必须是批处理时间间隔的倍数
• 处理流程图示说明
  • 框架处理总流程图
  • 

• 框架内部工作流程图

Spark Streaming接收实时输入数据流并将数据分成批处理，然后由SparkCore引擎处理，以批量生成最终结果流。

2、scala快速构建SparkStreaming应用

• scala构建SparkStreaming应用步骤
  • sbt构建空eclipse项目(done)
  • build.sbt中添加spark-streaming依赖
  • 以StreamingContext为起点，而向Dstream编程
  • 测试运行、效果查看
• 步骤实现
  • build.sbt中添加spark-streaming依赖

  • 
        
          org.apache.spark
          spark-streaming_${scala.compat.version}
          2.3.2
          provided
        

    代码实现

  • def main(args: Array[String]): Unit = {
        //创建配置文件
        val conf=new SparkConf()
          .setAppName("stream")
          .setMaster("local[*]")
          .set("spark.testing.memory","512000000")
        //创建streamingContext,指定间隔时间
        val streamingContext=new StreamingContext(conf,Seconds(5))
        //连接到数据源
        val lines=streamingContext.socketTextStream("192.168.1.114",9999)
        //后续编写spark处理world count
        val wordKV=lines.flatMap(_.split("\t")).map(word=>(word,1))
    
        val wc=wordKV.reduceByKey(_+_)
        wc.print()
        //开启streaming
        streamingContext.start()
        streamingContext.awaitTermination()
      }

  • netcat介绍
    • Linux版本
      • 启动netcat命令
        • nc -lk 9999 ：意为开启本机的9999端口作为对外的TCP数据服务端口
        • 开启本机的9999作为TCP服务端口
    • 基本介绍
      • netcat是一个通过TCP/UDP在网络中进行读写数据工具（命令），被称为“瑞士军刀”，主要用于网络调试领域、传输领域甚至黑客攻击领域。
      • 简称nc，linux自带该命令， windows需要下载netcap的应用程序才行。

      • [root@localhost ~]# nc -lk 9999
        sfaf
        dads
        dsfd
        gfgf
        

      • 开启sparkStreaming程序，读取来自9999端口的输入的TCP流数据
        • 注意要先开启指定端口的TCP服务，否则streaming会报读取异常。
        • 右击-run as application即可，开启后ss将一直以1秒为时间间隔，以行为输入单位监控传入的流数据，进行代码当中的flatMap、WordCount的处理
        • 每隔1秒，输出一次针对当前DStream的WC计算结果
      • SparkStreaming实现WordCount的流程抽象说明(经典流程)
        • SparkStreaming代码的开发流程
          • 初始化StreamingContext
          • 通过创建输入DStreams来定义输入源。
          • 通过将转换和输出操作应用于DStream来定义流式计算。
          • 开始接收数据并使用它进行处理streamingContext.start()。
          • 等待处理停止（手动或由于任何错误）使用streamingContext.awaitTermination()。
          • 可以使用手动停止处理streamingContext.stop()。
        • SparkStreaming代码开发注意
          • 一旦启动(start)了上下文，就不能设置或添加新的流式计算。
          • 上下文停止后，无法重新启动。
          • 在JVM中只能同时激活一个StreamingContext。
          • StreamingContext上的stop()也会停止SparkContext。要仅停止StreamingContext，请将stop()的可选参数设置stopSparkContext为false。
          • 只要在创建下一个StreamingContext之前停止前一个StreamingContext（不停止SparkContext），就可以重复使用SparkContext来创建多个StreamingContexts。
        • SparkStreaming的流数据专用数据抽象DStream，内部均为指定时间间隔内生成数据的RDD形式。
        • 

         DStream内部即为RDD持续的离散序列，RDD内部均是以文本行为基本元素，对DStream的处理即映射转化为对内部RDD的处理，故对RDD的算子操作大多数情况下适配于DStream使用，同时DStream提供了更高级别的算子API方便使用。

      •