IMF传奇行动第83课：Spark Streaming第二课：用Scala和Java二种方式实战Spark Streaming开发

绝地灬酷狼 2022-08-21 10:43 180阅读 0赞

### 1、开发前准备：假定您已经搭建好了Spark集群。 ###

### 2、开发环境采用eclipse maven工程，需要添加Spark Streaming依赖。 ###

### ![SouthEast][] ###

### 3、Spark streaming基于Spark Core进行计算，需要注意事项： ###

### 设置本地master，如果指定local的话，必须配置至少二条线程，也可通过sparkconf来设置，因为Spark Streaming应用程序在运行的时候，至少有一条线程用于不断的循环接收数据，并且至少有一条线程用于处理接收的数据（否则的话无法有线程用于处理数据），随着时间的推移，内存和磁盘都会不堪重负）。 ###

###     ###

### 温馨提示： ###

### 对于集群而言，每隔Executor一般肯定不只一个Thread，那对于处理Spark Streaming应用程序而言，每个Executor一般分配多少core比较合适？根据我们过去的经验，5个左右的core是最佳的（段子：分配为奇数个core的表现最佳，例如：分配3个、5个、7个core等）。 ###

## ##

### 接下来，让我们开始动手写Java代码吧！ ###

### 一、Java方式开发 ###

**第一步，配置SparkConf：**

![SouthEast 1][]

/\*

\*第一步：配置SparkConf：

\* 1，至少2条线程：因为Spark Streaming应用程序在运行的时候，至少有一条

\*线程用于不断的循环接收数据，并且至少有一条线程用于处理接受的数据（否则的话无法

\*有线程用于处理数据，随着时间的推移，内存和磁盘都会不堪重负）；

\* 2，对于集群而言，每个Executor一般肯定不止一个Thread，那对于处理Spark Streaming的

\*应用程序而言，每个Executor一般分配多少Core比较合适？根据我们过去的经验，5个左右的

\* Core是最佳的（一个段子分配为奇数个Core表现最佳，例如3个、5个、7个Core等）；

\*/

/\*SparkConf conf = newSparkConf().setMaster("local\[2\]").

setAppName("WordCountOnline");\*/

SparkConf conf = newSparkConf().setMaster("spark://Master:7077").

setAppName("WordCountOnline");

** **

**第二步，创建SparkStreamingContext：**

我们采用基于配置文件的方式创建SparkStreamingContext对象。

![SouthEast 2][]

/\*

\*第二步：创建SparkStreamingContext：

\* 1，这个是SparkStreaming应用程序所有功能的起始点和程序调度的核心

\* SparkStreamingContext的构建可以基于SparkConf参数，也可基于持久化的SparkStreamingContext的

\*内容来恢复过来（典型的场景是Driver崩溃后重新启动，由于Spark Streaming具有连续7\*24小时不，

\*间断运行的特征所有需要在Driver重新启动后继续上衣系的状态，此时的状态恢复需要基于曾经的

\* Checkpoint）；

\* 2，在一个SparkStreaming应用程序中可以创建若干个SparkStreamingContext对象，使用下一个

\* SparkStreamingContext之前需要把前面正在运行的SparkStreamingContext对象关闭掉，由此，

\*我们获得一个重大的启发，SparkStreaming框架也只是Spark Core上的一个应用程序而已，

\*只不过SparkStreaming框架箱运行的话需要Spark工程师写业务逻辑处理代码；

\*/

JavaStreamingContext jsc= new JavaStreamingContext(conf, Durations.seconds(5));

** **

**第三步，创建Spark Streaming输入数据来源:**

我们将数据来源配置为本地端口9999（注意，端口要求没有被占用）:

![SouthEast 3][]

/\*

\*第三步：创建SparkStreaming输入数据来源input Stream：

\* 1，数据输入来源可以基于File、HDFS、Flume、Kafka、Socket等

\* 2,在这里我们指定数据来源于网络Socket端口，Spark Streaming连接上该端口并在运行的时候一直监听

\*该端口的数据（当然该端口服务首先必须存在）,并且在后续会根据业务需要不断的有数据产生(当然对于

\* Spark Streaming应用程序的运行而言，有无数据其处理流程都是一样的)；

\* 3,如果经常在每间隔5秒钟没有数据的话不断的启动空的Job其实是会造成调度资源的浪费，

\* 因为并没有数据需要发生计算，所以

\*实例的企业级生成环境的代码在具体提交Job前会判断是否有数据，如果没有的话就不再提交Job；

\*/

JavaReceiverInputDStreamlines = jsc.socketTextStream("Master", 9999);

** **

**第四步：我们就像对RDD编程一样，基于DStream进行编程，原因是DStream是RDD产生的模板，在SparkStreaming发生计算前，其实质是把每个Batch的DStream的操作翻译成为了RDD操作。**

1、flatMap操作：

![SouthEast 4][]

2、mapToPair操作：

![SouthEast 5][]

3、reduceByKey操作：

![SouthEast 6][]

4、print等操作：

![SouthEast 7][]

/\*

\*第四步：接下来就像对于RDD编程一样基于DStream进行编程！！！原因是DStream是RDD产生的模

\*板（或者说类），在SparkStreaming具体发生计算前，其实质是把每个Batch的DStream的操作翻译成

\*为对RDD的操作！！！

\*对初始的DStream进行Transformation级别的处理，例如map、filter等高阶函数等的编程，来进行具体

\*的数据计算

\*第4.1步：讲每一行的字符串拆分成单个的单词

\*/

JavaDStream<String>words = lines.flatMap(new FlatMapFunction<String, String>() \{ //如果是Scala，由于SAM转换，所以可以写成valwords = lines.flatMap \{ line => line.split(" ")\}

@Override

public Iterable<String> call(String line) throws Exception \{

return Arrays.asList(line.split(" "));

\});

/\*

\* 第四步：对初始的DStream进行Transformation级别的处理，例如map、filter等高阶函数等的编程，来进行具体的数据计算

\* 第4.2步：在单词拆分的基础上对每个单词实例计数为1，也就是word => (word, 1)

\*/

JavaPairDStream<String,Integer> pairs = words.mapToPair(new PairFunction<String, String,Integer>() \{

@Override

public Tuple2<String, Integer> call(String word) throwsException \{

return new Tuple2<String, Integer>(word, 1);

\});

/\*

\* 第四步：对初始的DStream进行Transformation级别的处理，例如map、filter等高阶函数等的编程，来进行具体的数据计算

\* 第4.3步：在每个单词实例计数为1基础之上统计每个单词在文件中出现的总次数

\*/

JavaPairDStream<String,Integer> wordsCount = pairs.reduceByKey(new Function2<Integer, Integer,Integer>() \{ //对相同的Key，进行Value的累计（包括Local和Reducer级别同时Reduce）

@Override

public Integer call(Integer v1, Integer v2) throws Exception \{

return v1 + v2;

\});

/\*

\*此处的print并不会直接出发Job的执行，因为现在的一切都是在Spark Streaming框架的控制之下的，对于Spark Streaming

\*而言具体是否触发真正的Job运行是基于设置的Duration时间间隔的

\*诸位一定要注意的是SparkStreaming应用程序要想执行具体的Job，对Dtream就必须有outputStream操作，

\* output Stream有很多类型的函数触发，类print、saveAsTextFile、saveAsHadoopFiles等，最为重要的一个

\*方法是foraeachRDD,因为Spark Streaming处理的结果一般都会放在Redis、DB、DashBoard等上面，foreachRDD

\*主要就是用用来完成这些功能的，而且可以随意的自定义具体数据到底放在哪里！！！

\*/

wordsCount.print();

/\*

\* Spark Streaming执行引擎也就是Driver开始运行，Driver启动的时候是位于一条新的线程中的，当然其内部有消息循环体，用于

\*接受应用程序本身或者Executor中的消息；

\*/

jsc.start();

jsc.awaitTermination();

jsc.close();

温馨提示：

除了 print() 方法将处理后的数据输出之外，还有其他的方法也非常重要，在开发中需要重点掌握，比如 SaveAsTextFile ， SaveAsHadoopFile 等。最为重要的是 foreachRDD 方法，这个方法可以将数据写入 Redis ， DB ， DashBoard 等，甚至可以随意的定义数据放在哪里，功能非常强大。

**二、Scala方式开发**

接下来我们看看如何用非常简洁的Scala代码实现上面Java代码同样的功能。

**第一步，接收数据源：**

**![SouthEast 8][]**

**第二步，flatMap****操作：**

**![SouthEast 9][]**

**第三步，map****操作：**

**![SouthEast 10][]**

**第四步，reduceByKey****操作**：

![SouthEast 11][]

**第五步，print****操作：**

**![SouthEast 12][]**

**第六步，start和awaitTermination****等操作：**

![SouthEast 13][]

课程笔记来源:

DT大数据梦工厂IMF传奇行动课程学员姜伟整理。YY直播永久课堂频道68917580每晚8点准时开课。

![SouthEast 14][]

[SouthEast]: /images/20220724/6b01c2d1b83d43869de48db3f583c81c.png
[SouthEast 1]: /images/20220724/a0fa3195e78b45d384d3d96675a52be8.png
[SouthEast 2]: /images/20220724/80a6b2728adc4c1d8a21df7743dcfe33.png
[SouthEast 3]: /images/20220724/1695f9a414fc4950980fef0ea70c9274.png
[SouthEast 4]: /images/20220724/a7cba679e4ea4f868e69e147b93866dd.png
[SouthEast 5]: /images/20220724/58abc1f5b2784249b2ec90a12c1a94f0.png
[SouthEast 6]: /images/20220724/10fdf76e2d58400fa5d6f01a25b7801c.png
[SouthEast 7]: /images/20220724/a846fcecf6e34f2fab15bf9f068a872e.png
[SouthEast 8]: /images/20220724/019f65cd65324022b7d637bf71c89c06.png
[SouthEast 9]: /images/20220724/985a84377f5346e9b9c30e8813c86940.png
[SouthEast 10]: /images/20220724/51914c27b1264f4689f8378c84fb0c13.png
[SouthEast 11]: /images/20220724/1f27c9850885466183fd269937af0813.png
[SouthEast 12]: /images/20220724/9b04e094b97244e78f5a7c6128e52986.png
[SouthEast 13]: /images/20220724/6231f55463ad4b178e10fcb523ce4f21.png
[SouthEast 14]: /images/20220724/2d0c7f7bd10941cbaf9c810346840bcf.png