大数据-101 Spark Streaming DStream转换 窗口操作状态 跟踪操作 附带多个案例

点一下关注吧！！！非常感谢！！持续更新！！！

目前已经更新到了：

• Hadoop（已更完）
• HDFS（已更完）
• MapReduce（已更完）
• Hive（已更完）
• Flume（已更完）
• Sqoop（已更完）
• Zookeeper（已更完）
• HBase（已更完）
• Redis （已更完）
• Kafka（已更完）
• Spark（正在更新！）

章节内容

上节我们完成了如下的内容：

• Spark Streaming DStream 转换函数
• DStream 无状态转换
• DStream 无状态转换 案例
  

转换方式

有两个类型：

• 无状态转换（已经完成）
• 有状态转换

接下来开始有状态转换。

有状态转换

有状态转换主要有两种：

• 窗口操作
• 状态跟踪操作

窗口操作

Window Operations 可以设置窗口大小和滑动窗口间隔来动态获取当前Streaming的状态
基于窗口的操作会在一个比 StreamingContext 的 batchDuration（批次间隔）更长的时间范围内，通过整合多个批次的结果，计算出整个窗口的结果。

基于窗口的操作需要两个参数：

• 窗口长度（Window Duration）：控制每次计算最近的多少个批次的数据
• 滑动间隔（Slide Duration）：用来控制对新的 DStream 进行计算的间隔

两者都必须是StreamingContext中批次间隔（batchDuration）的整数倍

准备编码

我们先编写一个每秒发送一个数字：

package icu.wzkimport java.io.PrintWriter
import java.net.{ServerSocket, Socket}object SocketWithWindow {def main(args: Array[String]): Unit = {val port = 9999val ss = new ServerSocket(port)val socket: Socket = ss.accept()var i = 0while (true) {i += 1val out = new PrintWriter(socket.getOutputStream)out.println(i)out.flush()Thread.sleep(1000)}}
}

[窗口操作] 案例2观察窗口数据

• 观察窗口的数据
• 观察 batchDuration、windowDuration、slideDuration 三者之间的关系
• 使用窗口相关的操作

编写代码

package icu.wzkimport org.apache.spark.SparkConf
import org.apache.spark.streaming.dstream.{DStream, ReceiverInputDStream}
import org.apache.spark.streaming.{Seconds, StreamingContext}object WindowDemo {def main(args: Array[String]): Unit = {val conf = new SparkConf().setAppName("WindowDemo").setMaster("local[*]")val ssc = new StreamingContext(conf, Seconds(5))ssc.sparkContext.setLogLevel("WARN")val lines: ReceiverInputDStream[String] = ssc.socketTextStream("localhost", 9999)lines.foreachRDD {(rdd, time) => {println(s"rdd = ${rdd.id}; time = $time")}rdd.foreach(value => println(value))}// 20秒窗口长度（DS包含窗口长度范围内的数据）// 10秒滑动间隔（多次时间处理一次数据）val res1: DStream[String] = lines.reduceByWindow(_ + " " + _, Seconds(20), Seconds(10))res1.print()val res2: DStream[String] = lines.reduceByWindow(_ + _, Seconds(20), Seconds(10))res2.print()// 求窗口元素的和val res3: DStream[Int] = lines.map(_.toInt).reduceByWindow(_ + _, Seconds(20), Seconds(10))res3.print()// 请窗口元素和val res4 = res2.map(_.toInt).reduce(_ + _)res4.print()// 程序启动ssc.start()ssc.awaitTermination()}
}

运行结果

-------------------------------------------
Time: 1721628860000 ms
-------------------------------------------rdd = 39; time = 1721628865000 ms
rdd = 40; time = 1721628870000 ms
-------------------------------------------
Time: 1721628870000 ms
--------------------------------------------------------------------------------------
Time: 1721628870000 ms
--------------------------------------------------------------------------------------
Time: 1721628870000 ms
-------------------------------------------

运行之后控制截图如下：

[窗口操作] 案例3 热点搜索词实时统计

编写代码

package icu.wzkimport org.apache.spark.SparkConf
import org.apache.spark.streaming.dstream.{DStream, ReceiverInputDStream}
import org.apache.spark.streaming.{Seconds, StreamingContext}object HotWordStats {def main(args: Array[String]): Unit = {val conf = new SparkConf().setAppName("HotWordStats").setMaster("local[*]")val ssc = new StreamingContext(conf, Seconds(2))// 检查点设置 也可以设置到 HDFSssc.sparkContext.setLogLevel("ERROR")ssc.checkpoint("checkpoint")val lines: ReceiverInputDStream[String] = ssc.socketTextStream("localhost", 9999)val words: DStream[String] = lines.flatMap(_.split("\\s+"))val pairs: DStream[(String, Int)] = words.map(x => (x, 1))// 通过 reduceByKeyAndWindow算子 每隔10秒统计最近20秒的词出现的的次数val wordCounts1: DStream[(String, Int)] = pairs.reduceByKeyAndWindow((a: Int, b: Int) => a + b, Seconds(20), Seconds(10), 2)wordCounts1.print()// 需要CheckPoint的支持val wordCounts2: DStream[(String, Int)] = pairs.reduceByKeyAndWindow(_ + _, _ - _, Seconds(20), Seconds(10), 2)wordCounts2.print()// 运行程序ssc.start()ssc.awaitTermination()}}

运行结果

-------------------------------------------
Time: 1721629842000 ms
-------------------------------------------
(4,1)
(8,1)
(6,1)
(2,1)
(7,1)
(5,1)
(3,1)
(1,1)-------------------------------------------
Time: 1721629842000 ms
--------------------

运行结果如下图：

[状态追踪操作] updateStateByKey

UpdateStateByKey的主要功能：

• 为Streaming中每一个Key维护一份State状态，state类型可以是任意类型的，可以是自定义对象，更新函数也可以是自定义的
• 通过更新函数对该Key的状态不断更新，对于每个新的batch而言，Spark Streaming会在使用updateStateByKey的时候已经存在的key进行state状态更新
• 使用updateStateByKey时要开启 CheckPoint 功能

编写代码1

流式程序启动后计算wordcount的累计值，将每个批次的结果保存到文件

package icu.wzkimport org.apache.spark.SparkConf
import org.apache.spark.streaming.dstream.{DStream, ReceiverInputDStream}
import org.apache.spark.streaming.{Seconds, StreamingContext}object StateTracker1 {def main(args: Array[String]): Unit = {val conf = new SparkConf().setAppName("StateTracker1").setMaster("local[*]")val ssc = new StreamingContext(conf, Seconds(5))ssc.sparkContext.setLogLevel("ERROR")ssc.checkpoint("checkpoint")val lines: ReceiverInputDStream[String] = ssc.socketTextStream("localhost", 9999)val words: DStream[String] = lines.flatMap(_.split("\\s+"))val wordDStream: DStream[(String, Int)] = words.map(x => (x, 1))// 定义状态更新函数// 函数常量定义 返回类型是 Some(Int)，表示的含义是最新状态// 函数的功能是将当前时间间隔内产生的Key的Value集合，加到上一个状态中，得到最新状态val updateFunc = (currValues: Seq[Int], prevValueState: Option[Int]) => {// 通过Spark内部的reduceByKey按Key规约，然后这里传入某Key当前批次的Seq，再计算当前批次的总和val currentCount = currValues.sum// 已累加的值val previousCount = prevValueState.getOrElse(0)Some(currentCount + previousCount)}val stateDStream: DStream[(String, Int)] = wordDStream.updateStateByKey[Int](updateFunc)stateDStream.print()// 把DStream保存到文本文件中 会生成很多的小文件 一个批次生成一个目录val outputDir = "output1"stateDStream.repartition(1).saveAsTextFiles(outputDir)// 开始运行ssc.start()ssc.awaitTermination()}
}

运行结果1

-------------------------------------------
Time: 1721631080000 ms
-------------------------------------------
(1,1)
(2,1)
(3,1)-------------------------------------------
Time: 1721631085000 ms
-------------------------------------------
(8,1)
(1,1)
(2,1)
(3,1)
(4,1)
(5,1)
(6,1)
(7,1)

运行结果是：

统计全局的Key的状态，但是就算没有数据输入，也会在每一个批次的时候返回之前的Key的状态。

这样的缺点：

• 如果数据量很大的话，CheckPoint数据会占用较大存储，而且效率也不高

编写代码2

mapWithState：也是用于全局统计Key的状态，如果没有数据输入，便不会返回之前的Key的状态，有一点增量的感觉。
这样做的好处是，只关心那些已经发生的变化的Key，对于没有数据输入，则不会返回那些没有变化的Key的数据，即使数据量很大，checkpoint也不会像updateStateByKey那样，占用太多的存储。

package icu.wzkimport org.apache.spark.SparkConf
import org.apache.spark.streaming.dstream.{DStream, ReceiverInputDStream}
import org.apache.spark.streaming.{Seconds, State, StateSpec, StreamingContext}object StateTracker2 {def main(args: Array[String]): Unit = {val conf: SparkConf = new SparkConf().setAppName("StateTracker2").setMaster("local[*]")val ssc = new StreamingContext(conf, Seconds(2))ssc.sparkContext.setLogLevel("ERROR")ssc.checkpoint("checkpoint")val lines: ReceiverInputDStream[String] = ssc.socketTextStream("localhost", 9999)val words: DStream[String] = lines.flatMap(_.split("\\s+"))val wordDStream: DStream[(String, Int)] = words.map(x => (x, 1))def mappingFunction(key: String, one: Option[Int], state: State[Int]): (String, Int) = {val sum: Int = one.getOrElse(0) + state.getOption.getOrElse(0)state.update(sum)(key, sum)}val spec = StateSpec.function(mappingFunction _)val resultDStream: DStream[(String, Int)] = wordDStream.mapWithState(spec)resultDStream.cache()// 把DStream保存到文本文件中，会生成很多的小文件。一个批次生成一个目录val outputDir = "output2"resultDStream.repartition(1).saveAsTextFiles(outputDir)ssc.start()ssc.awaitTermination()}
}

运行代码