通过Spark Streaming的foreachRDD把处理后的数据写入外部存储系统中

转载自：http://blog.csdn.net/erfucun/article/details/52312682

本博文主要内容包括：

• 技术实现foreachRDD与foreachPartition解析
• foreachRDD与foreachPartition实现实战

一：技术实现foreach解析：

1、首先我们看一下Output Operations on DStreams提供的API： 
 

SparkStreaming的DStream提供了一个dstream.foreachRDD方法，该方法是一个功能强大的原始的API，它允许将数据发送到外部系统。然而,重要的是要了解如何正确有效地使用这种原始方法。一些常见的错误,以避免如下： 
写数据到外部系统，需要建立一个数据连接对象（例如TCP连接到远程的服务器），使用它将数据发送到外部存储系统。为此开发者可能会在Driver中尝试创建一个连接，然后在worker中使用它来保存记录到外部数据。代码如下：

1. dstream.foreachRDD { rdd =>
2.   val connection = createNewConnection()  // executed at the driver
3.   rdd.foreach { record =>
4.     connection.send(record) // executed at the worker
5.   }}

上面的代码是一个错误的演示，因为连接是在Driver中创建的，而写数据是在worker中完成的。此时连接就需要被序列化然后发送到worker中。但是我们知道，连接的信息是不能被序列化和反序列化的（不同的机器连接服务器需要使用不同的服务器端口，即便连接被序列化了也不能使用）

进而我们可以将连接移动到worker中实现，代码如下：

1. dstream.foreachRDD { rdd =>
2.   rdd.foreach { record =>
3.     val connection = createNewConnection()
4.     connection.send(record)
5.     connection.close()
6.   }}

 

但是此时，每处理一条数据记录，就需要连接一次外部系统，对于性能来说是个严重的问题。这也不是一个完美的实现。

Spark基于RDD进行编程，RDD的数据不能改变，如果擅长foreachPartition底层的数据可能改变，做到的方式foreachPartition操作一个数据结构，RDD里面一条条数据，但是一条条的记录是可以改变的spark也可以运行在动态数据源上。（就像数组的数据不变，但是指向的索引可以改变） 
我们可以将代码做如下的改进：

1. dstream.foreachRDD { rdd =>
2.   rdd.foreachPartition { partitionOfRecords =>
3.     val connection = createNewConnection()
4.     partitionOfRecords.foreach(record => connection.send(record))
5.     connection.close()
6.   }}

 

这样一个partition，只需连接一次外部存储。性能上有大幅度的提高。但是不同的partition之间不能复用连接。我们可以使用连接池的方式，使得partition之间可以共享连接。代码如下：

1. stream.foreachRDD { rdd =>
2.   rdd.foreachPartition { partitionOfRecords =>
3.     // ConnectionPool is a static, lazily initialized pool of connections
4.     val connection = ConnectionPool.getConnection()
5.     partitionOfRecords.foreach(record => connection.send(record))
6.     ConnectionPool.returnConnection(connection)  // return to the pool for future reuse
7.   }}

 

二：foreachRDD与foreachPartition实现实战

1、需要注意的是： 
（1）、你最好使用forEachPartition函数来遍历RDD，并且在每台Work上面创建数据库的connection。 
（2）、如果你的数据库并发受限，可以通过控制数据的分区来减少并发。 
（3）、在插入MySQL的时候最好使用批量插入。 
（4），确保你写入的数据库过程能够处理失败，因为你插入数据库的过程可能会经过网络，这可能导致数据插入数据库失败。 
（5）、不建议将你的RDD数据写入到MySQL等关系型数据库中。

2、下面我们使用SparkStreaming实现将数据写到MySQL中：

（1）在pom.xml中加入如下依赖包

1. <dependency>
2.     <groupId>mysql</groupId>
3.     <artifactId>mysql-connector-java</artifactId>
4.     <version>5.1.38</version>
5. </dependency>
6. <dependency>
7.     <groupId>commons-dbcp</groupId>
8.     <artifactId>commons-dbcp</artifactId>
9.     <version>1.4</version>
10. </dependency>

（2）在MySql中创建数据库和表，命令操作如下：

1. mysql -uroot -p
2. create database spark;
3. use spark;
4. show tables;
5. create table streaming_itemcount(keyword varchar(30));

 

使用Java编写一个数据库连接池类

1. import java.sql.Connection;
2. import java.sql.DriverManager;
3. import java.util.LinkedList;
4.  
5. /**
6.  * Created by zpf on 2016/8/26.
7.  */
8. public class ConnectionPool {
9.     private static LinkedList<Connection> connectionQueue;
10.  
11.     static {
12.         try {
13.             Class.forName("com.mysql.jdbc.Driver");
14.         } catch (ClassNotFoundException e) {
15.             e.printStackTrace();
16.         }
17.     }
18.  
19.     public synchronized static Connection getConnection() {
20.         try {
21.             if (connectionQueue == null) {
22.                 connectionQueue = new LinkedList<Connection>();
23.                 for (int i = 0; i < 5; i++) {
24.                     Connection conn = DriverManager.getConnection(
25.                             "jdbc:mysql://Master:3306/sparkstreaming",
26.                             "root",
27.                             "12345");
28.                     connectionQueue.push(conn);
29.                 }
30.             }
31.         } catch (Exception e) {
32.             e.printStackTrace();
33.         }
34.         return connectionQueue.poll();
35.  
36.     }
37.     public  static void returnConnection(Connection conn){
38.      connectionQueue.push(conn);
39.     }
40. }

 

编写Spark代码：

1. import org.apache.spark.SparkConf
2. import org.apache.spark.streaming.{Seconds, StreamingContext}
3.  
4. /**
5.   * Created by zpf on 2016/8/26.
6.   */
7. object OnlineForeachRDD2DB {
8.   def main(args: Array[String]) {
9.     val conf = new SparkConf().setAppName("OnlineForeachRDD2DB").setMaster("local[2]")
10.     val ssc = new StreamingContext(conf, Seconds(5))
11.  
12.     val lines = ssc.socketTextStream("Master", 9999)
13.     val words = lines.flatMap(_.split(" "))
14.     val wordCounts = words.map(x => (x, 1)).reduceByKey(_ + _)
15.     wordCounts.foreachRDD { rdd =>
16.       rdd.foreachPartition { partitionOfRecords => {
17.         val connection = ConnectionPool.getConnection()
18.         partitionOfRecords.foreach(record => {
19.           val sql = "insert into streaming_itemcount(item,count) values('" + record._1 + "'," + record._2 + ")"
20.           val stmt = connection.createStatement
21.           stmt.executeUpdate(sql)
22.         })
23.         ConnectionPool.returnConnection(connection)
24.  
25.       }
26.  
27.       }
28.     }
29.   }
30. }

 

打开netcat发送数据

1. root@spark-master:~# nc -lk 9999
2. spark hadoop kafka spark hadoop kafka spark hadoop kafka spark hadoop

 

打包运行spark代码

1. /usr/local/spark/bin/spark-submit --driver-class-path /usr/local/spark/lib/mysql-connector-java-5.1.35-bin.jar /root/Documents/SparkApps/SparkStreamApps.jar

 

查看数据库中的结果：

博文内容源自DT大数据梦工厂Spark课程总结的笔记相关课程内容视频可以参考： 百度网盘链接：http://pan.baidu.com/s/1slvODe1（如果链接失效或需要后续的更多资源，请联系QQ460507491或者微信号：DT1219477246 获取上述资料）。