结构化流(Structured Streaming)
结构化流介绍
有界和无界数据
- 有界数据:
指的数据有固定的开始和固定的结束，数据大小是固定。我们称之为有界数据。对于有界数据，一般采用批处理方案（离线计算）
特点：
1-数据大小是固定
2-程序处理有界数据，程序最终一定会停止
- 无界数据:
指的数据有固定的开始，但是没有固定的结束。我们称之为无界数据
对于无界数据，我们一般采用流式处理方案（实时计算）
特点：
1-数据没有明确的结束，也就是数据大小不固定
2-数据是源源不断的过来
3-程序处理无界数据，程序会一直运行不会结束
基本介绍
结构化流是构建在Spark SQL处理引擎之上的一个流式的处理引擎，主要是针对无界数据的处理操作。对于结构化流同样也支持多种语言操作的API：比如 Python Java Scala SQL …
Spark的核心是RDD。RDD出现主要的目的就是提供更加高效的离线的迭代计算操作，RDD是针对的有界的数据集，但是为了能够兼容实时计算的处理场景，提供微批处理模型，本质上还是批处理，只不过批与批之间的处理间隔时间变短了，让我们感觉是在进行流式的计算操作，目前默认的微批可以达到100毫秒一次
真正的流处理引擎: Flink、Storm(早期流式处理引擎)、Flume(流式数据采集)
实时数据案例–词频统计
需求:
代码实现:
import os
from pyspark.sql import SparkSession
import pyspark.sql.functions as F
# 绑定指定的Python解释器
os.environ['SPARK_HOME'] = '/export/server/spark'
os.environ['PYSPARK_PYTHON'] = '/root/anaconda3/bin/python3'
os.environ['PYSPARK_DRIVER_PYTHON'] = '/root/anaconda3/bin/python3'
if __name__ == '__main__':
# 1- 创建SparkSession对象
spark = SparkSession.builder\
.config("spark.sql.shuffle.partitions",1)\
.appName('structured_streaming_wordcount')\
.master('local[*]')\
.getOrCreate()
# 2- 数据输入
init_df = spark.readStream\
.format("socket")\
.option("host","192.168.88.161")\
.option("port","55555")\
.load()
# 3- 数据处理
result_df = init_df.select(
F.explode(F.split('value',' ')).alias('word')
).groupBy('word').agg(
F.count('word').alias('cnt')
)
# init_df.show()
# 4- 数据输出
# 5- 启动流式任务
result_df.writeStream.format('console').outputMode('complete').start().awaitTermination()
程序运行结果:
代码测试操作步骤:
首先: 先下载一个 nc(netcat) 命令. 通过此命令打开一个端口号, 并且可以向这个端口写入数据
yum -y install nc
执行nc命令, 开启端口号, 写入数据:
nc -lk 55555
注意: 要先启动nc，再启动我们的程序
查看端口号是否被使用命令：
netstat -nlp | grep 要查询的端口
可能遇到的错误：
结构化流的编程模型
数据结构
在结构化流中，我们可以将DataFrame称为无界的DataFrame或者无界的二维表
数据源部分
结构化流默认提供了多种数据源，从而可以支持不同的数据源的处理工作。目前提供了如下数据源：
- Socket Source：网络套接字数据源，一般用于测试。也就是从网络上消费/读取数据
- File Source：文件数据源。读取文件系统，一般用于测试。如果文件夹下发生变化，有新文件产生，那么就会触发程序的运行
- Kafka Source：Kafka数据源。也就是作为消费者来读取Kafka中的数据。一般用于生产环境。
- Rate Source：速率数据源。一般用于测试。通过配置参数，由结构化流自动生成测试数据。## Operation操作
对应官网文档内容：https://spark.apache.org/docs/3.1.2/structured-streaming-programming-guide.html#input-sources
File Source
将目录中写入的文件作为数据流读取，支持的文件格式为：text、csv、json、orc、parquet…
相关的参数:
| option参数 | 描述说明 |
|---|---|
| maxFilesPerTrigger | 每次触发时要考虑的最大新文件数 (默认: no max) |
| latestFirst | 是否先处理最新的新文件, 当有大量文件积压时有用 (默认: false) |
| fileNameOnly | 是否检查新文件只有文件名而不是完整路径（默认值：false）将此设置为 true 时，以下文件将被视为同一个文件，因为它们的文件名“dataset.txt”相同： “file:///dataset.txt” “s3://a/dataset.txt " “s3n://a/b/dataset.txt” “s3a://a/b/c/dataset.txt” |
读取代码通用格式:
sparksession.readStream
.format('CSV|JSON|Text|Parquet|ORC...')
.option('参数名1','参数值1')
.option('参数名2','参数值2')
.option('参数名N','参数值N')
.schema(元数据信息)
.load('需要监听的目录地址')
针对具体数据格式，还有对应的简写API格式，例如：
sparksession.readStream.csv(path='需要监听的目录地址',schema=元数据信息。。。)
代码操作
import os
from pyspark.sql import SparkSession
# 绑定指定的Python解释器
os.environ['SPARK_HOME'] = '/export/server/spark'
os.environ['PYSPARK_PYTHON'] = '/root/anaconda3/bin/python3'
os.environ['PYSPARK_DRIVER_PYTHON'] = '/root/anaconda3/bin/python3'
if __name__ == '__main__':
# 1- 创建SparkSession对象
spark = SparkSession.builder\
.config("spark.sql.shuffle.partitions","1")\
.appName('file_source')\
.master('local[*]')\
.getOrCreate()
# 2- 数据输入：File Source文件数据源
"""
File Source总结
1- 只能监听目录，不能监听具体的文件
2- 可以通过*通配符的形式监听目录中满足条件的文件
3- 如果监听目录中有子目录，那么无法监听到子目录的变化情况
"""
init_df = spark.readStream.csv(
path="file:///export/data/",
sep=",",
encoding="UTF-8",
schema="id int,name string"
)
# 3- 数据处理
# 4- 数据输出
# 5- 启动流式任务
init_df.writeStream.format("console").outputMode("append").start().awaitTermination()
可能遇到的错误一：
原因: 如果是文件数据源，需要手动指定schema信息
可能遇到的错误二：
原因: File source只能监听目录，不能监听具体文件
文件数据源特点：
1- 不能够监听具体的文件，否则会报错误java.lang.IllegalArgumentException: Option 'basePath' must be a directory
2- 可以通过通配符的形式，来监听目录下的文件，符合要求的才会被读取
3- 如果监听目录中有子目录，那么无法监听到子目录的变化情况
Operations操作
指的是数据处理部分，该操作和Spark SQL中是完全一致。可以使用SQL方式进行处理，也可以使用DSL方式进行处理。
Sink输出操作
在结构化流中定义好DataFrame或者处理好DataFrame之后，调用writeStream()方法完成数据的输出操作。在输出的过程中，我们可以设置一些相关的属性，然后启动结构化流程序运行。
输出模式
在进行数据输出的时候，必须通过outputMode来设置输出模式。输出模式提供了3种不同的模式：
-
1- append模式：增量模式
特点：当结构化程序处理数据的时候，如果有了新数据，才会触发执行。而且该模式只支持追加。不支持数据处理阶段有聚合的操作。如果有了聚合操作，直接报错。而且也不支持排序操作。如果有了排序，直接报错。
-
2- complete模式：完全（全量）模式
特点：当结构化程序处理数据的时候，每一次都是针对全量的数据进行处理。由于数据越来越多，所以在数据处理阶段，必须要有聚合操作。如果没有聚合操作，直接报错。另外还支持排序，但是不是强制要求。
-
3- update模式：更新模式
特点：支持聚合操作。当结构化程序处理数据的时候，如果处理阶段没有聚合操作，该模式效果和append模式是一致。如果有了聚合操作，只会输出有变化和新增的内容。但是不支持排序操作，如果有了排序，直接报错。
append模式:
import os
from pyspark.sql import SparkSession
import pyspark.sql.functions as F
# 绑定指定的Python解释器
os.environ['SPARK_HOME'] = '/export/server/spark'
os.environ['PYSPARK_PYTHON'] = '/root/anaconda3/bin/python3'
os.environ['PYSPARK_DRIVER_PYTHON'] = '/root/anaconda3/bin/python3'
if __name__ == '__main__':
# 1- 创建SparkSession对象
spark = SparkSession.builder\
.config("spark.sql.shuffle.partitions",1)\
.appName('structured_streaming_wordcount')\
.master('local[*]')\
.getOrCreate()
# 2- 数据输入
init_df = spark.readStream\
.format("socket")\
.option("host","192.168.88.161")\
.option("port","55555")\
.load()
init_df.createTempView("tmp_table")
# 3- 数据处理
# 正常：没有聚合操作，也没有排序
result_df = spark.sql("""
select
explode(split(value,' ')) as word
from tmp_table
""")
# 异常：有聚合操作，没有排序
# result_df = spark.sql("""
# select
# word,count(1) as cnt
# from (
# select
# explode(split(value,' ')) as word
# from tmp_table
# )
# group by word
# """)
# 异常：没有聚合操作，有排序
# result_df = spark.sql("""
# select
# word
# from (
# select
# explode(split(value,' ')) as word
# from tmp_table
# )
# order by word
# """)
# 4- 数据输出
# 5- 启动流式任务
result_df.writeStream.format('console').outputMode('append').start().awaitTermination()
如果有了聚合操作，会报如下错误：
如果有了排序操作，会报如下错误：
complete模式:
import os
from pyspark.sql import SparkSession
import pyspark.sql.functions as F
# 绑定指定的Python解释器
os.environ['SPARK_HOME'] = '/export/server/spark'
os.environ['PYSPARK_PYTHON'] = '/root/anaconda3/bin/python3'
os.environ['PYSPARK_DRIVER_PYTHON'] = '/root/anaconda3/bin/python3'
if __name__ == '__main__':
# 1- 创建SparkSession对象
spark = SparkSession.builder\
.config("spark.sql.shuffle.partitions",1)\
.appName('structured_streaming_wordcount')\
.master('local[*]')\
.getOrCreate()
# 2- 数据输入
init_df = spark.readStream\
.format("socket")\
.option("host","192.168.88.161")\
.option("port","55555")\
.load()
init_df.createTempView("tmp_table")
# 3- 数据处理
# 异常：没有聚合操作
# result_df = spark.sql("""
# select
# explode(split(value,' ')) as word
# from tmp_table
# """)
# 正常：有聚合操作，没有排序
result_df = spark.sql("""
select
word,count(1) as cnt
from (
select
explode(split(value,' ')) as word
from tmp_table
)
group by word
order by cnt
""")
# 4- 数据输出
# 5- 启动流式任务
result_df.writeStream.format('console').outputMode('complete').start().awaitTermination()
如果没有聚合操作，会报如下错误：
update模式:
import os
from pyspark.sql import SparkSession
import pyspark.sql.functions as F
# 绑定指定的Python解释器
os.environ['SPARK_HOME'] = '/export/server/spark'
os.environ['PYSPARK_PYTHON'] = '/root/anaconda3/bin/python3'
os.environ['PYSPARK_DRIVER_PYTHON'] = '/root/anaconda3/bin/python3'
if __name__ == '__main__':
# 1- 创建SparkSession对象
spark = SparkSession.builder\
.config("spark.sql.shuffle.partitions",1)\
.appName('structured_streaming_wordcount')\
.master('local[*]')\
.getOrCreate()
# 2- 数据输入
init_df = spark.readStream\
.format("socket")\
.option("host","192.168.88.161")\
.option("port","55555")\
.load()
init_df.createTempView("tmp_table")
# 3- 数据处理
# 正常：没有聚合操作
result_df = spark.sql("""
select
explode(split(value,' ')) as word
from tmp_table
""")
# 正常：有聚合操作，没有排序
# result_df = spark.sql("""
# select
# word,count(1) as cnt
# from (
# select
# explode(split(value,' ')) as word
# from tmp_table
# )
# group by word
# """)
# 异常：有排序
result_df = spark.sql("""
select
word
from (
select
explode(split(value,' ')) as word
from tmp_table
)
order by word
""")
# 4- 数据输出
# 5- 启动流式任务
result_df.writeStream.format('console').outputMode('update').start().awaitTermination()
如果有了排序操作，会报如下错误：
