大数据——Spark Streaming

是什么

Spark Streaming是一个可扩展、高吞吐、具有容错性的流式计算框架。
之前我们接触的spark-core和spark-sql都是离线批处理任务，每天定时处理数据，对于数据的实时性要求不高，一般都是T+1的。但在企业任务中存在很多的实时性的任务需求，列如双十一的京东阿里都会要求做一个实时的数据大屏，显示实时订单。

实时计算框架对比

框架类别	框架类型	数据单位	其他	吞吐量	延迟
Storm	流式计算框架	record的处理数据单位	支持micro-batch方式	一般	更低
Spark	批处理计算框架	RDD处理数据单位	支持micro-batch流式处理数据	更强	一般

Spark Streaming组件

• Streaming Context
  • 一个Context启动，则不能有新的DStream建立或者添加；
  • 一个Context停止，不能重新启动；
  • 在JVM中，只能有一个Streaming Context活跃；一个Spark Context会创建一个Streaming Context；
  • Streaming Context上调用stop方法，SparkContext也会关闭，如果只想关闭Streaming Context，可以设置stop()方法里的false参数；
  • 一个SparkContext对象可以重复创建多个Streaming Context对象，但每次只能运行一个，即需要关闭一个再开下一个。
• DStream
  • 表示一个连续的数据流；
  • DStream内部是由一系列的RDD组成；
  • DStream中的每个RDD都有确定时间间隔内的数据；
  • 对DStream的操作都转换成对DStream隐含的RDD操作；
  • 数据源：

数据源	类型
基本源	TCP/IP or FileSystem
高级源	Kafka or Flume

Spark Streaming编码步骤

import os
# 配置spark driver和pyspark运⾏时，所使⽤的python解释器路径
PYSPARK_PYTHON = "/miniconda2/envs/py365/bin/python"
JAVA_HOME='/root/bigdata/jdk'
SPARK_HOME = "/root/bigdata/spark"
# 当存在多个版本时，不指定很可能会导致出错
os.environ["PYSPARK_PYTHON"] = PYSPARK_PYTHON
os.environ["PYSPARK_DRIVER_PYTHON"] = PYSPARK_PYTHON
os.environ['JAVA_HOME']=JAVA_HOME
os.environ["SPARK_HOME"] = SPARK_HOME
from pyspark import SparkContext
from pyspark.streaming import StreamingContext

if __name__ == "__main__":
	sc = SparkContext("local[2]",appName="NetworkWordCount")
	#参数2：指定执⾏计算的时间间隔
	ssc = StreamingContext(sc, 1)
	#监听ip，端⼝上的上的数据
	lines = ssc.socketTextStream('localhost',9999)
	#将数据按空格进⾏拆分为多个单词
	words = lines.flatMap(lambda line: line.split(" "))
	#将单词转换为(单词，1)的形式
	pairs = words.map(lambda word:(word,1))
	#统计单词个数
	wordCounts = pairs.reduceByKey(lambda x,y:x+y)
	#打印结果信息，会使得前⾯的transformation操作执⾏
	wordCounts.pprint()
	#启动StreamingContext
	ssc.start()
	#等待计算结束
	ssc.awaitTermination()

Spark Streaming状态操作

Spark Streaming存在两种状态操作：UpdateStateByKey和Window操作。

• updateStateByKey
  如果没有updateStateByKey，我们需要将每一秒的数据计算好放入mysql中，再用mysql进行计算，而updateStateByKey将每隔一段数据进行打包，封装成RDD，这样每个时间片段的数据之间是没有关联的。一般为以下步骤：

1. ⾸先，要定义⼀个state，可以是任意的数据类型
2. 其次，要定义state更新函数–指定⼀个函数如何使⽤之前的state和新值来更新state
3. 对于每个batch，Spark都会为每个之前已经存在的key去应⽤⼀次state更新函数，⽆论这个key在batch中是否有新的数据。如果state更新函数返回none，那么key对应的state就会被删除
4. 对于每个新出现的key，也会执⾏state更新函数

• Window
  
  Window操作是基于窗⼝⻓度和滑动间隔来⼯作的；窗⼝的⻓度控制考虑前⼏批次数据量；默认为批处理的滑动间隔来确定计算结果的频率。
  窗口长度L是运算的数据量；
  滑动间隔G是控制每隔多长时间做一次运算。