91、Spark Streaming之transform以及广告计费日志实时黑名单过滤案例实战

transform以及实时黑名单过滤案例实战

transform操作，应用在DStream上时，可以用于执行任意的RDD到RDD的转换操作。它可以用于实现，DStream API中所没有提供的操作。比如说，DStream API中，并没有提供将一个DStream中的每个batch，与一个特定的RDD进行join的操作。但是我们自己就可以使用transform操作来实现该功能。
DStream.join()，只能join其他DStream。在DStream每个batch的RDD计算出来之后，会去跟其他DStream的RDD进行join。
案例：广告计费日志实时黑名单过滤
Java版本

public class TransformBlacklist {
    public static void main(String[] args) {
        SparkConf conf = new SparkConf().setAppName("TransformBlacklistJava").setMaster("local[2]");
        JavaStreamingContext streamingContext = new JavaStreamingContext(conf, Durations.seconds(10));

        // 用户对我们的网站上的广告可以进行点击
        // 点击之后，是不是要进行实时计费，点一下，算一次钱
        // 但是，对于那些帮助某些无良商家刷广告的人，那么我们有一个黑名单
        // 只要是黑名单中的用户点击的广告，我们就给过滤掉

        // 先做一份模拟的黑名单RDD
        List> blacklist = new ArrayList>();
        blacklist.add(new Tuple2("tom", true));
        final JavaPairRDD blacklistRDD = streamingContext.sc().parallelizePairs(blacklist);

        // 这里的日志格式，就简化一下，就是date username的方式
        JavaReceiverInputDStream adsClickLogDStream = streamingContext.socketTextStream("hadoop-100", 9999);

        // 所以，要先对输入的数据，进行一下转换操作，变成，(username, date username)
        // 以便于，后面对每个batch RDD，与定义好的黑名单RDD进行join操作
        JavaPairDStream userAdsClickLogDStream = adsClickLogDStream.mapToPair(new PairFunction() {
            @Override
            public Tuple2 call(String s) throws Exception {
                return new Tuple2<>(s.split(" ")[1], s);
            }
        });

        // 然后，就可以执行transform操作了，将每个batch的RDD，与黑名单RDD进行join、filter、map等操作,实时进行黑名单过滤
        JavaDStream validAdsClickLogDStream = userAdsClickLogDStream.transform(new Function, JavaRDD>() {
            @Override
            public JavaRDD call(JavaPairRDD userAdsClickLogRDD) throws Exception {
                // 这里为什么用左外连接？
                // 因为，并不是每个用户都存在于黑名单中的
                // 所以，如果直接用join，那么没有存在于黑名单中的数据，会无法join到,就给丢弃掉了
                // 所以，这里用leftOuterJoin，就是说，哪怕一个user不在黑名单RDD中，没有join到,也还是会被保存下来的
                JavaPairRDD>> joinRDD = userAdsClickLogRDD.leftOuterJoin(blacklistRDD);
                // 连接之后，执行filter算子
                JavaPairRDD>> filterRDD = joinRDD.filter(new Function>>, Boolean>() {
                    @Override
                    public Boolean call(Tuple2>> v1) throws Exception {
                        // 这里的tuple，就是每个用户，对应的访问日志，和在黑名单中的状态
                        if (v1._2._2.isPresent() && v1._2._2.get()) {
                            return false;
                        }
                        return true;
                    }
                });

                // 此时，filteredRDD中，就只剩下没有被黑名单过滤的用户点击了
                // 进行map操作，转换成我们想要的格式
                JavaRDD validAdsClickLogRDD = filterRDD.map(new Function>>, String>() {
                    @Override
                    public String call(Tuple2>> v1) throws Exception {
                        return v1._2._1;
                    }
                });
                return validAdsClickLogRDD;
            }
        });

        // 打印有效的广告点击日志
        // 其实在真实企业场景中，这里后面就可以走写入kafka、ActiveMQ等这种中间件消息队列
        // 然后再开发一个专门的后台服务，作为广告计费服务，执行实时的广告计费，这里就是只拿到了有效的广告点击
        validAdsClickLogDStream.print();

        streamingContext.start();
        streamingContext.awaitTermination();
        streamingContext.close();
    }
}

Scala版本

object TransformBlacklist {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("TransformBlacklistScala").setMaster("local[2]")
    val streamingContext = new StreamingContext(conf,Seconds(30))

    val blacklist = Array(("tom", true))
    val blacklistRDD = streamingContext.sparkContext.parallelize(blacklist)

    val adsClickLogDStream = streamingContext.socketTextStream("hadoop-100", 9999)
    val userAdsClickLogDStream = adsClickLogDStream.map(s => (s.split(" ")(1), s))

    val validAdsClickLogRDD = userAdsClickLogDStream.transform(userAdsClickLogRDD => {
      val joinRDD = userAdsClickLogRDD.leftOuterJoin(blacklistRDD)
      val filterRDD = joinRDD.filter( f => {
        if(f._2._2.getOrElse(false)) false
        else true
      })

      val validAdsClickLogRDD = filterRDD.map(f => f._2._1)
      validAdsClickLogRDD
    })

    validAdsClickLogRDD.print()

    streamingContext.start()
    streamingContext.awaitTermination()
  }
}