用实例讲解Spark Sreaming

用实例讲解Spark Sreaming

本篇文章用Spark Streaming ＋Hbase为列，Spark Streaming专为流式数据处理，对Spark核心API进行了相应的扩展。

什么是Spark Streaming？

首先，什么是流式处理呢？数据流是一个数据持续不断到达的无边界序列集。流式处理是把连续不断的数据输入分割成单元数据块来处理。流式处理是一个低延迟的处理和流式数据分析。Spark Streaming对Spark核心API进行了相应的扩展，支持高吞吐、低延迟、可扩展的流式数据处理。实时数据处理应用的场景有下面几个：

• 网站监控和网络监控；
• 异常监测；
• 网页点击；
• 广告数据；

物联网（IOT）

图1

Spark Streaming支持的数据源包括HDFS文件，TCP socket，Kafka，Flume，Twitter等，数据流可以通过Spark核心API、DataFrame SQL或者机器学习API处理，并可以持久化到本地文件、HDFS、数据库或者其它任意支持Hadoop输出格式的形式。

Spark Streaming如何工作？

Spark Streaming以X秒（batch size）为时间间隔把数据流分割成Dstream，组成一个RDD序列。你的Spark应用处理RDD，并把处理的结果批量返回。

图2

Spark Streaming例子的架构图

图3

Spark Streaming例子代码分下面几部分：
- 读取流式数据；
- 处理流式数据；
- 写处理结果倒Hbase表。

Spark处理部分的代码涉及到如下内容：

• 读取Hbase表的数据；
• 按天计算数据统计；
• 写统计结果到Hbase表，列簇：stats。

数据集

数据集来自油泵信号数据，以CSV格式存储在指定目录下。Spark Streaming监控此目录，CSV文件的格式如图3。

图4

采用Scala的case class来定义数据表结构，parseSensor函数解析逗号分隔的数据。

Hbase表结构

流式处理的Hbase表结构如下：

• 油泵名字 ＋ 日期 ＋ 时间戳 组合成row key；
• 列簇是由输入数据列、报警数据列等组成，并设置过期时间。
• 每天等统计数据表结构如下：
• 油泵名和日期组成row key；

列簇为stats，包含列有最大值、最小值和平均值；

图5

配置写入Hbase表

Spark直接用TableOutputFormat类写数据到Hbase里，跟在MapReduce中写数据到Hbase表一样，下面就直接用TableOutputFormat类了。

Spark Streaming代码

Spark Streaming的基本步骤：

• 初始化Spark StreamingContext对象；
• 在DStream上进行transformation操作和输出操作；
• 开始接收数据并用streamingContext.start()；
• 等待处理停止，streamingContext.awaitTermination()。

初始化Spark StreamingContext对象

创建 StreamingContext对象，StreamingContext是Spark Streaming处理的入口，这里设置2秒的时间间隔。

val sparkConf = new SparkConf().setAppName("HBaseStream")
// create a StreamingContext, the main entry point for all streaming functionality
val ssc = new StreamingContext(sparkConf, Seconds(2))

接下来用StreamingContext的textFileStream(directory)创建输入流跟踪Hadoop文件系统的新文件，并处理此目录下的所有文件，这里directory指文件目录。

// create a DStream that represents streaming data from a directory source
val linesDStream = ssc.textFileStream("/user/user01/stream")

linesDStream是数据流，每条记录是按行记录的text格式。

图6

对DStream进行transformation操作和输出操作

接下来进行解析，对linesDStream进行map操作，map操作是对RDD应用Sensor.parseSensor函数，返回Sensor的RDD。

// parse each line of data in linesDStream into sensor objects
val sensorDStream = linesDStream.map(Sensor.parseSensor)

图7

对DStream的每个RDD执行foreachRDD 方法，使用filter过滤Sensor中低psi值来创建报警，使用Hbase的Put对象转换sensor和alter数据以便能写入到Hbase。然后使用PairRDDFunctions的saveAsHadoopDataset方法将最终结果写入到任何Hadoop兼容到存储系统。

// for each RDD. performs function on each RDD in DStream
sensorRDD.foreachRDD { rdd =>
// filter sensor data for low psi
val alertRDD = rdd.filter(sensor => sensor.psi < 5.0)
// convert sensor data to put object and write to HBase Table CF data
rdd.map(Sensor.convertToPut).saveAsHadoopDataset(jobConfig)
// convert alert to put object write to HBase Table CF alerts
rdd.map(Sensor.convertToPutAlert).saveAsHadoopDataset(jobConfig)
}

sensorRDD经过Put对象转换，然后写入到Hbase。

图8

开始接收数据

通过streamingContext.start()显式的启动数据接收，然后调用streamingContext.awaitTermination()来等待计算完成。

// Start the computation
    ssc.start()
    // Wait for the computation to terminate
    ssc.awaitTermination()

Spark读写Hbase

现在开始读取Hbase的sensor表，计算每条的统计指标并把对应的数据写入stats列簇。

图9

下面的代码读取Hbase的sensor表psi列数据，用StatCounter计算统计数据，然后写入stats列簇。

// configure HBase for reading 
    val conf = HBaseConfiguration.create()
    conf.set(TableInputFormat.INPUT_TABLE, HBaseSensorStream.tableName)
    // scan data column family psi column
    conf.set(TableInputFormat.SCAN_COLUMNS, "data:psi") 
// Load an RDD of (row key, row Result) tuples from the table
    val hBaseRDD = sc.newAPIHadoopRDD(conf, classOf[TableInputFormat],
      classOf[org.apache.hadoop.hbase.io.ImmutableBytesWritable],
      classOf[org.apache.hadoop.hbase.client.Result])
    // transform (row key, row Result) tuples into an RDD of Results
    val resultRDD = hBaseRDD.map(tuple => tuple._2)
    // transform into an RDD of (RowKey, ColumnValue)s , with Time removed from row key
    val keyValueRDD = resultRDD.
              map(result => (Bytes.toString(result.getRow()).
              split(" ")(0), Bytes.toDouble(result.value)))
    // group by rowkey , get statistics for column value
    val keyStatsRDD = keyValueRDD.
             groupByKey().
             mapValues(list => StatCounter(list))
    // convert rowkey, stats to put and write to hbase table stats column family
    keyStatsRDD.map { case (k, v) => convertToPut(k, v) }.saveAsHadoopDataset(jobConfig)

下面的流程图显示newAPIHadoopRDD输出，（row key，result）的键值对。PairRDDFunctions 的saveAsHadoopDataset方法把Put对象存入到Hbase。

图10

运行Spark Streaming应用

运行Spark Streaming应用跟运行Spark应用类似，比较简单，此处不赘述，参见Spark Streaming官方文档。