Spark基础学习笔记32：Spark Streaming概述

Posted 2022-05-19 howard2005

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Spark基础学习笔记32：Spark Streaming概述相关的知识，希望对你有一定的参考价值。

文章目录

零、本讲学习目标
一、Spark Streaming概述
二、Spark Streaming工作原理
三、利用Spark Streaming完成词频统计

零、本讲学习目标

了解Spark Streaming的基本概念
了解Spark Streaming的使用场景
掌握Spark Streaming的工作原理

一、Spark Streaming概述

（一）什么是Spark Streaming

Spark Streaming是Spark Core API（Spark RDD）的扩展，支持对实时数据流进行可伸缩、高吞吐量及容错处理。数据可以从Kafka、Flume、Kinesis或TCP Socket等多种来源获取，并且可以使用复杂的算法处理数据，这些算法由map()、reduce()、join()和window()等高级函数表示。处理后的数据可以推送到文件系统、数据库等存储系统。事实上，可以将Spark的机器学习和图形处理算法应用于数据流。

（二）Sparing Streaming的主要优点

使用Spark Streaming可以很容易地构建可伸缩的、容错的流应用程序。

1、易于使用

Spark Streaming提供了很多高级操作算子，允许以编写批处理作业的方式编写流式作业。它支持Java、Scala和Python语言。

2、易于与Spark体系整合

通过在Spark Core上运行Spark Streaming，可以在Spark Streaming中使用与Spark RDD相同的代码进行批处理，构建强大的交互应用程序，而不仅仅是数据分析。

二、Spark Streaming工作原理

（一）Spark Streaming工作流程图

Spark Streaming接收实时输入的数据流，并将数据流以时间片（秒级）为单位拆分成批次，然后将每个批次交给Spark引擎（Spark Core）进行处理，最终生成以批次组成的结果数据流。

（二）分段流 - DSteam（Discretized Stream）

1、分段流的概念

Spark Streaming提供了一种高级抽象，称为DStream（Discretized Stream）。DStream表示一个连续不断的数据流，它可以从Kafka、Flume和Kinesis等数据源的输入数据流创建，也可以通过对其他DStream应用高级函数（例如map()、reduce()、join()和window()）进行转换创建。

2、分段流的实质

在内部，对输入数据流拆分成的每个批次实际上是一个RDD，一个DStream由多个RDD组成，相当于一个RDD序列。

3、分段流中的RDD

DStream中的每个RDD都包含来自特定时间间隔的数据

4、分段流的操作

应用于DStream上的任何操作实际上都是对底层RDD的操作。例如，对一个DStream应用flatMap()算子操作，实际上是对DStream中每个时间段的RDD都执行一次flatMap()算子，生成对应时间段的新RDD，所有的新RDD组成了一个新DStream。对DStream中的RDD的转换是由Spark Core引擎实现的，Spark Streaming对Spark Core进行了封装，提供了非常方便的高层次API。

（三）输入DStream与Receiver

1、输入DStream与Receiver的关系

输入DStream表示从数据源接收的输入数据流，每个输入DStream（除了文件数据流之外）都与一个Receiver对象相关联，该对象接收来自数据源的数据并将其存储在Spark的内存中进行处理。
如果希望在Spark Streaming应用程序中并行接收多个数据流，那么可以创建多个输入DStream，同时将创建多个Receiver，接收多个数据流。但需要注意的是，一个Spark Streaming应用程序的Executor是一个长时间运行的任务，它会占用分配给SparkStreaming应用程序的一个CPU内核（占用Spark Streaming应用程序所在节点的一个CPU内核），因此Spark Streaming应用程序需要分配足够的内核（如果在本地运行，就是线程）来处理接收到的数据，并运行Receiver。

2、本地运行Spark Streaming应用程序

在本地运行Spark Streaming应用程序时，不要使用local或local[1]作为主URL。这两种方式都意味着只有一个线程将用于本地运行任务。如果正在使用基于Receiver的输入DStream（例如Socket、Kafka、Flume等），那么将使用单线程运行Receiver，导致没有多余的线程来处理接收到的数据（Spark Streaming至少需要两个线程：一个线程用于运行Receiver接收数据；另一个线程用于处理接收到的数据）。因此，在本地运行时，应该使用“local[n]”作为主URL，其中n大于Receiver的数量（若Spark Streaming应用程序只创建了一个DStream，则只有一个Receiver，n的最小值为2）。

3、集群上运行Spark Streaming应用程序

每个Spark应用程序都有各自独立的一个或多个Executor进程负责执行任务。将Spark Streaming应用程序发布到集群上运行时，每个Executor进程所分配的CPU内核数量必须大于Receiver的数量，因为1个Receiver独占1个CPU内核，还需要至少1个CPU内核进行数据的处理，这样才能保证至少两个线程同时进行（一个线程用于运行Receiver接收数据，另一个线程用于处理接收到的数据）。否则系统将接收数据，但无法进行处理。若Spark Streaming应用程序只创建了一个DStream，则只有一个Receiver，Executor所分配的CPU内核数量的最小值为2。

三、利用Spark Streaming完成词频统计

（一）提出任务

假设需要监听TCP Socket端口的数据，实时计算接收到的文本数据中的单词数

（二）完成任务

1、在master虚拟上安装nc

nc是一个简单而有用的工具，透过使用TCP或UDP协议的网络连接去读写数据。它被设计成一个稳定的后门工具，能够直接由其它程序和脚本轻松驱动。同时，它也是一个功能强大的网络调试和探测工具，能够建立你需要的几乎所有类型的网络连接。
执行命令：yum -y install nc

2、创建Maven项目

创建Maven项目 - SparkStreamingWordCount
将java目录改成scala目录

3、添加依赖与构建插件

在pom.xml文件里添加依赖与构建插件

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0
         http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>

    <groupId>net.hw.stream</groupId>
    <artifactId>SparkStreamingWordCount</artifactId>
    <version>1.0-SNAPSHOT</version>

    <dependencies>
        <dependency>
            <groupId>org.scala-lang</groupId>
            <artifactId>scala-library</artifactId>
            <version>2.11.12</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.11</artifactId>
            <version>2.1.1</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-streaming_2.11</artifactId>
            <version>2.1.1</version>
        </dependency>
    </dependencies>
    <build>
        <sourceDirectory>src/main/scala</sourceDirectory>
        <plugins>
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-assembly-plugin</artifactId>
                <version>3.3.0</version>
                <configuration>
                    <descriptorRefs>
                        <descriptorRef>jar-with-dependencies</descriptorRef>
                    </descriptorRefs>
                </configuration>
                <executions>
                    <execution>
                        <id>make-assembly</id>
                        <phase>package</phase>
                        <goals>
                            <goal>single</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
            <plugin>
                <groupId>net.alchim31.maven</groupId>
                <artifactId>scala-maven-plugin</artifactId>
                <version>3.3.2</version>
                <executions>
                    <execution>
                        <id>scala-compile-first</id>
                        <phase>process-resources</phase>
                        <goals>
                            <goal>add-source</goal>
                            <goal>compile</goal>
                        </goals>
                    </execution>
                    <execution>
                        <id>scala-test-compile</id>
                        <phase>process-test-resources</phase>
                        <goals>
                            <goal>testCompile</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
        </plugins>
    </build>
</project>

4、创建日志属性文件

在resources目录里创建log4j.properties文件

log4j.rootLogger=ERROR, stdout, logfile
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/spark.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

5、创建流式词频统计单例对象

创建net.hw.stream包
在net.hw.stream包里创建SparkStreamingWordCount单例对象

package net.hw.stream

import org.apache.spark.SparkConf
import org.apache.spark.streaming.Seconds, StreamingContext

/**
 * 功能：利用Spark Streaming实现词频统计
 * 作者：华卫
 * 日期：2022年05月17日
 */
object SparkStreamingWordCount 
  def main(args: Array[String]): Unit = 
    // 创建Spark配置对象
    val conf = new SparkConf()
      .setMaster("local[2]")
      .setAppName("NetworkWordCount")

    // 按照时间间隔为3秒钟切分数据流
    val ssc = new StreamingContext(conf, Seconds(3))
    // 创建行分段流（接收master节点9999端口的文本流数据）
    val lines = ssc.socketTextStream("master", 9999)
    // 生成单词分段流
    val words = lines.flatMap(_.split(" "))
    // 计算每一批次中的每个单词数量
    val pairs = words.map((_, 1))
    // 进行词频统计
    val wc = pairs.reduceByKey(_ + _)
    // 输出分段流中每个RDD的词频统计结果
    wc.print()

    // 开始计算
    ssc.start()
    // 等待计算结束
    ssc.awaitTermination()

6、在master虚拟机上启动nc

执行命令：nc -lk 9999
等待用户输入一行又一行的数据

7、启动程序，查看结果

启动流式词频统计单例对象，然后在master虚拟机上输入一行又一行的数据
因为强行停止程序，所以退出码是-1
可以看到，每隔3秒，对分段流中的RDD进行词频统计……

以上是关于Spark基础学习笔记32：Spark Streaming概述的主要内容，如果未能解决你的问题，请参考以下文章

2022年Spark基础学习笔记目录

Spark基础学习笔记01：初步了解Spark

Spark基础学习笔记33：Spark Streaming数据源

Spark基础学习笔记06：搭建Spark On YARN模式的集群

Spark基础学习笔记03：Spark运行架构及原理

Spark基础学习笔记02：搭建Spark环境