一、java版本
package cn.spark.study.streaming; import java.util.Arrays; import org.apache.spark.SparkConf; import org.apache.spark.api.java.function.FlatMapFunction; import org.apache.spark.api.java.function.Function2; import org.apache.spark.api.java.function.PairFunction; import org.apache.spark.streaming.Durations; import org.apache.spark.streaming.api.java.JavaDStream; import org.apache.spark.streaming.api.java.JavaPairDStream; import org.apache.spark.streaming.api.java.JavaReceiverInputDStream; import org.apache.spark.streaming.api.java.JavaStreamingContext; import scala.Tuple2; /** * 实时wordcount程序 * @author Administrator * */ public class WordCount { public static void main(String[] args) throws Exception { // 创建SparkConf对象 // 但是这里有一点不同，我们是要给它设置一个Master属性，但是我们测试的时候使用local模式 // local后面必须跟一个方括号，里面填写一个数字，数字代表了，我们用几个线程来执行我们的 // Spark Streaming程序 SparkConf conf = new SparkConf() .setMaster("local[2]") .setAppName("WordCount"); // 创建JavaStreamingContext对象 // 该对象，就类似于Spark Core中的JavaSparkContext，就类似于Spark SQL中的SQLContext // 该对象除了接收SparkConf对象对象之外 // 还必须接收一个batch interval参数，就是说，每收集多长时间的数据，划分为一个batch，进行处理 // 这里设置一秒 JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(1)); // 首先，创建输入DStream，代表了一个从数据源（比如kafka、socket）来的持续不断的实时数据流 // 调用JavaStreamingContext的socketTextStream()方法，可以创建一个数据源为Socket网络端口的 // 数据流，JavaReceiverInputStream，代表了一个输入的DStream // socketTextStream()方法接收两个基本参数，第一个是监听哪个主机上的端口，第二个是监听哪个端口 JavaReceiverInputDStream<String> lines = jssc.socketTextStream("localhost", 9999); // 到这里为止，你可以理解为JavaReceiverInputDStream中的，每隔一秒，会有一个RDD，其中封装了 // 这一秒发送过来的数据 // RDD的元素类型为String，即一行一行的文本 // 所以，这里JavaReceiverInputStream的泛型类型<String>，其实就代表了它底层的RDD的泛型类型 // 开始对接收到的数据，执行计算，使用Spark Core提供的算子，执行应用在DStream中即可 // 在底层，实际上是会对DStream中的一个一个的RDD，执行我们应用在DStream上的算子 // 产生的新RDD，会作为新DStream中的RDD JavaDStream<String> words = lines.flatMap(new FlatMapFunction<String, String>() { private static final long serialVersionUID = 1L; @Override public Iterable<String> call(String line) throws Exception { return Arrays.asList(line.split(" ")); } }); // 这个时候，每秒的数据，一行一行的文本，就会被拆分为多个单词，words DStream中的RDD的元素类型 // 即为一个一个的单词 // 接着，开始进行flatMap、reduceByKey操作 // PairFunction<String, String, Integer> 第一个String是接受类型，后面的String Integer是返回类型 // JavaPairDStream<String, Integer>中的String Integer也是返回类型 JavaPairDStream<String, Integer> pairs = words.mapToPair( new PairFunction<String, String, Integer>() { private static final long serialVersionUID = 1L; @Override public Tuple2<String, Integer> call(String word) throws Exception { return new Tuple2<String, Integer>(word, 1); } }); // 这里，正好说明一下，其实大家可以看到，用Spark Streaming开发程序，和Spark Core很相像 // 唯一不同的是Spark Core中的JavaRDD、JavaPairRDD，都变成了JavaDStream、JavaPairDStream JavaPairDStream<String, Integer> wordCounts = pairs.reduceByKey( new Function2<Integer, Integer, Integer>() { private static final long serialVersionUID = 1L; @Override public Integer call(Integer v1, Integer v2) throws Exception { return v1 + v2; } }); // 到此为止，我们就实现了实时的wordcount程序了 // 总结一下思路，加深一下印象 // 每秒钟发送到指定socket端口上的数据，都会被lines DStream接收到 // 然后lines DStream会把每秒的数据，也就是一行一行的文本，诸如hell world，封装为一个RDD // 然后呢，就会对每秒中对应的RDD，执行后续的一系列的算子操作 // 比如，对lins RDD执行了flatMap之后，得到一个words RDD，作为words DStream中的一个RDD // 以此类推，直到生成最后一个，wordCounts RDD，作为wordCounts DStream中的一个RDD // 此时，就得到了，每秒钟发送过来的数据的单词统计 // 但是，一定要注意，Spark Streaming的计算模型，就决定了，我们必须自己来进行中间缓存的控制 // 比如写入redis等缓存 // 它的计算模型跟Storm是完全不同的，storm是自己编写的一个一个的程序，运行在节点上，相当于一个 // 一个的对象，可以自己在对象中控制缓存 // 但是Spark本身是函数式编程的计算模型，所以，比如在words或pairs DStream中，没法在实例变量中 // 进行缓存 // 此时就只能将最后计算出的wordCounts中的一个一个的RDD，写入外部的缓存，或者持久化DB // 最后，每次计算完，都打印一下这一秒钟的单词计数情况 // 并休眠5秒钟，以便于我们测试和观察 Thread.sleep(5000); wordCounts.print(); // 首先对JavaSteamingContext进行一下后续处理 // 必须调用JavaStreamingContext的start()方法，整个Spark Streaming Application才会启动执行 // 否则是不会执行的 jssc.start();
//等待执行停止,执行过程中发生的任何异常将在此线程中抛出
jssc.awaitTermination();
jssc.close();
}
}二、scala版本
package cn.spark.study.streaming import org.apache.spark.SparkConf import org.apache.spark.streaming.Seconds import org.apache.spark.streaming.StreamingContext /** * @author Administrator */ object WordCount { def main(args: Array[String]): Unit = { val conf = new SparkConf().setMaster("local[2]").setAppName("WordCount") val ssc = new StreamingContext(conf, Seconds(1)) val lines = ssc.socketTextStream("localhost", 9999) val words = lines.flatMap { _.split(" ") } val pairs = words.map { word => (word, 1) } val wordCounts = pairs.reduceByKey(_ + _) Thread.sleep(5000) wordCounts.print() ssc.start() ssc.awaitTermination() } }
三、StreamingContext详解
有两种创建StreamingContext的方式： val conf = new SparkConf().setAppName(appName).setMaster(master); val ssc = new StreamingContext(conf, Seconds(1)); StreamingContext，还可以使用已有的SparkContext来创建 val sc = new SparkContext(conf) val ssc = new StreamingContext(sc, Seconds(1)); appName，是用来在Spark UI上显示的应用名称。master，是一个Spark、Mesos或者Yarn集群的URL，或者是local[*]。 batch interval可以根据你的应用程序的延迟要求以及可用的集群资源情况来设置。 一个StreamingContext定义之后，必须做以下几件事情： 1、通过创建输入DStream来创建输入数据源。 2、通过对DStream定义transformation和output算子操作，来定义实时计算逻辑。 3、调用StreamingContext的start()方法，来开始实时处理数据。 4、调用StreamingContext的awaitTermination()方法，来等待应用程序的终止。可以使用CTRL+C手动停止，或者就是让它持续不断的运行进行计算。 5、也可以通过调用StreamingContext的stop()方法，来停止应用程序。 需要注意的要点： 1、只要一个StreamingContext启动之后，就不能再往其中添加任何计算逻辑了。比如执行start()方法之后，还给某个DStream执行一个算子。 2、一个StreamingContext停止之后，是肯定不能够重启的。调用stop()之后，不能再调用start() 3、一个JVM同时只能有一个StreamingContext启动。在你的应用程序中，不能创建两个StreamingContext。 4、调用stop()方法时，会同时停止内部的SparkContext，如果不希望如此，还希望后面继续使用SparkContext创建其他类型的Context， 比如SQLContext，那么就用stop(false)。 5、一个SparkContext可以创建多个StreamingContext，只要上一个先用stop(false)停止，再创建下一个即可。