SparkStreaming---入门

1.SparkStreaming简介

1.1 流处理和批处理

流处理和批处理是两种不同的数据处理方式，它们在处理数据的方式和特点上有所不同。

流处理（Stream Processing）是一种数据处理方式，它实时地处理数据流，即将源源不断的数据按照特定的规则进行实时处理。
批处理（Batch Processing）是一种数据处理方式，它将一段时间内的数据收集起来，然后一次性地进行处理。

1.2 实时和离线

实时和离线是数据处理中的两种不同方式，它们在处理速度和数据类型上有所区别。
实时处理是指数据处理的速度能够满足实时要求，通常是指对数据进行的处理能够在相应的时间内产生结果，并且结果能够及时反馈给用户或应用系统。实时处理通常用于需要快速响应的应用场景，如实时监控、实时交易等。
离线处理则是指数据处理的速度相对较慢，通常需要较长时间才能完成，而且不需要实时反馈结果。离线处理通常用于处理大规模的数据集，如数据分析、机器学习等。离线处理可以在非实时环境中进行，例如在晚上或者周末等时间进行批量数据处理。

实时一般来说以毫秒为单位，不可与流处理混为一谈，而离线相对来说是以时、天为单位。

1.3 SparkStreaming是什么

Spark Streaming是构建在Spark上的实时计算框架，扩展了Spark处理大规模流式数据的能力。但是SparkStreaming不能做到真正意义上的实时计算，实际上它是一种准实时(秒，分钟)，微批次的数据处理框架。 它将连续不断的数据按固定的时间间隔进行切分，使其变为一个个连续的批次，进而按顺序对每一个批次进行处理。一般情况下，每一个批次都会很小，这就是微批次。Spark Streaming的目的是为了进行实时数据分析，但因为一批数据量比较小，又达不到离线的范畴，所以称为准实时。

SparkStreaming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。结果也能保存在很多地方，如 HDFS，数据库等。

1.4 SparkStreaming架构图

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”)。所以简单来讲，DStream 就是对 RDD 在实时数据处理场景的一种封装。

在SparkStreaming中，会有一个专门接收器来接受从数据源输入的数据，并且将这些数据封装成离散化流(DStream)。之后的操作就是对DStream进行处理的。简单来讲，DStream就是对一系列RDD的封装。

2.背压机制

Spark 1.5 以前版本，用户如果要限制 Receiver 的数据接收速率，可以通过设置静态配制参数“spark.streaming.receiver.maxRate”的值来实现，此举虽然可以通过限制接收速率，来适配当前的处理能力，防止内存溢出，但也会引入其它问题。比如：producer 数据生产高于 maxRate，当前集群处理能力也高于 maxRate，这就会造成资源利用率下降等问题。为了更好的协调数据接收速率与资源处理能力，1.5 版本开始 Spark Streaming 可以动态控制数据接收速率来适配集群数据处理能力。背压机制（即 Spark Streaming Backpressure）: 根据JobScheduler 反馈作业的执行信息来动态调整 Receiver 数据接收率。通过属性“spark.streaming.backpressure.enabled”来控制是否启用 backpressure 机制，默认值false，即不启用。

3.DStream案例实操

需求:实现WordCount 案例
使用 netcat 工具向 9999 端口不断的发送数据，通过 SparkStreaming 读取端口数据并统计不同单词出现的次数
Netcat（简称nc）是一款强大的命令行网络工具，用来在两台机器之间建立TCP/UDP连接，并通过标准的输入输出进行数据的读写。netcat下载地址https://eternallybored.org/misc/netcat/

  def main(args: Array[String]): Unit = {
    //1.初始化 Spark 配置信息
    val sparkConf = new SparkConf().setMaster("local[*]").setAppName("StreamWordCount")
    //2.初始化 SparkStreamingContext
    //处理区间为3s一次
    val ssc = new StreamingContext(sparkConf, Seconds(3))
    //3.通过监控端口创建 DStream，读进来的数据为一行行
    val lines = ssc.socketTextStream("localhost", 9999)
    //将每一行数据做切分，形成一个个单词
    val words = lines.flatMap(_.split(" "))

    val wordMap = words.map(word => (word, 1))

    val resultData = wordMap.reduceByKey(_ + _)

    resultData.print()

    //启动SparkStreamingContext
    ssc.start()
    //等待接收数据
    ssc.awaitTermination()
  }