Spark Streaming DStream的output操作以及foreachRDD详解

Posted 2022-08-09 transkai

一.output操作概览

 

二.output操作

DStream中的所有计算，都是由output操作触发的，比如print()。如果没有任何output操作，那么，压根儿就不会执行定义的计算逻辑。

此外，即使你使用了foreachRDD output操作，也必须在里面对RDD执行action操作，才能触发对每一个batch的计算逻辑。否则，光有foreachRDD output操作，在里面没有对RDD执行action操作，也不会触发任何逻辑。

三.foreachRDD详解
通常在foreachRDD中，都会创建一个Connection，比如JDBC Connection，然后通过Connection将数据写入外部存储。

误区一：

在RDD的foreach操作外部，创建Connection

这种方式是错误的，因为它会导致Connection对象被序列化后传输到每个Task中。而这种Connection对象，实际上一般是不支持序列化的，也就无法被传输。

dstream.foreachRDD rdd =>
val connection = createNewConnection()
rdd.foreach record => connection.send(record)

误区二：

在RDD的foreach操作内部，创建Connection

这种方式是可以的，但是效率低下。因为它会导致对于RDD中的每一条数据，都创建一个Connection对象。而通常来说，Connection的创建，是很消耗性能的。

dstream.foreachRDD rdd =>
rdd.foreach record =>
val connection = createNewConnection()
connection.send(record)
connection.close()

合理方式一：

使用RDD的foreachPartition操作，并且在该操作内部，创建Connection对象，这样就相当于是，为RDD的每个partition创建一个Connection对象，节省资源的多了。

dstream.foreachRDD rdd =>
rdd.foreachPartition partitionOfRecords =>
val connection = createNewConnection()
partitionOfRecords.foreach(record => connection.send(record))
connection.close()

合理方式二：

自己手动封装一个静态连接池，使用RDD的foreachPartition操作，并且在该操作内部，从静态连接池中，通过静态方法，获取到一个连接，使用之后再还回去。这样的话，甚至在多个RDD的partition之间，也可以复用连接了。而且可以让连接池采取懒创建的策略，并且空闲一段时间后，将其释放掉。

dstream.foreachRDD rdd =>
rdd.foreachPartition partitionOfRecords =>
val connection = ConnectionPool.getConnection()
partitionOfRecords.foreach(record => connection.send(record))
ConnectionPool.returnConnection(connection)

四.foreachRDD实战

案例：改写UpdateStateByKeyWordCount，将每次统计出来的全局的单词计数，写入一份，到mysql数据库中。

建表语句
create table wordcount (
id integer auto_increment primary key,
updated_time timestamp NOT NULL default CURRENT_TIMESTAMP on update CURRENT_TIMESTAMP,
word varchar(255),
count integer
);

代码如下

 

package com.hzk.sparkStreaming;

import java.sql.Connection;
import java.sql.DriverManager;
import java.util.LinkedList;

/**
 * 简易版的连接池
 * @author Administrator
 *
 */
public class ConnectionPool 
    // 静态的Connection队列
    private static LinkedList<Connection> connectionQueue;

    /**
     * 加载驱动
     */
    static 
        try 
            Class.forName("com.mysql.jdbc.Driver");
         catch (ClassNotFoundException e) 
            e.printStackTrace();
        
    

    /**
     * 获取连接，多线程访问并发控制
     * @return
     */
    public synchronized static Connection getConnection() 
        try 
            if(connectionQueue == null) 
                connectionQueue = new LinkedList<Connection>();
                for(int i = 0; i < 10; i++) 
                    Connection conn = DriverManager.getConnection(
                            "jdbc:mysql://hadoop-001:3306/baidu",
                            "",
                            "");
                    connectionQueue.push(conn);
                
            
         catch (Exception e) 
            e.printStackTrace();
        
        return connectionQueue.poll();
    

    /**
     * 还回去一个连接
     */
    public static void returnConnection(Connection conn) 
        connectionQueue.push(conn);
    

 

package com.hzk.sparkStreaming;

import java.sql.Connection;
import java.sql.Statement;
import java.util.Arrays;
import java.util.Iterator;
import java.util.List;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.Optional;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.PairFunction;
import org.apache.spark.api.java.function.VoidFunction;
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;

/**
 * 基于持久化机制的实时wordcount程序
 * @author Administrator
 *
 */
public class PersistWordCount 
    public static void main(String[] args) throws InterruptedException 
        SparkConf conf = new SparkConf()
                .setMaster("local[2]")
                .setAppName("PersistWordCount");
        JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(5));

        jssc.checkpoint("hdfs://hadoop-001:9000/wordcount_checkpoint");

        JavaReceiverInputDStream<String> lines = jssc.socketTextStream("hadoop-001", 9999);

        JavaDStream<String> words = lines.flatMap(new FlatMapFunction<String, String>() 

            private static final long serialVersionUID = 1L;

            @Override
            public Iterator<String> call(String line) throws Exception 
                return Arrays.asList(line.split(" ")).iterator();
            

        );

        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);
                    

                );

        JavaPairDStream<String, Integer> wordCounts = pairs.updateStateByKey(

                new Function2<List<Integer>, Optional<Integer>, Optional<Integer>>() 

                    private static final long serialVersionUID = 1L;

                    @Override
                    public Optional<Integer> call(List<Integer> values,
                                                  Optional<Integer> state) throws Exception 
                        Integer newValue = 0;

                        if(state.isPresent()) 
                            newValue = state.get();
                        

                        for(Integer value : values) 
                            newValue += value;
                        

                        return Optional.of(newValue);
                    

                );

        // 每次得到当前所有单词的统计次数之后，将其写入mysql存储，进行持久化，以便于后续的J2EE应用程序
        // 进行显示
        wordCounts.foreachRDD(new VoidFunction<JavaPairRDD<String, Integer>>() 
                  @Override
                  public void call(JavaPairRDD<String, Integer> wordCountsRDD) throws Exception 
                      // 调用RDD的foreachPartition()方法
                      wordCountsRDD.foreachPartition(new VoidFunction<Iterator<Tuple2<String, Integer>>>() 

                          @Override
                          public void call(Iterator<Tuple2<String, Integer>> wordCounts) throws Exception 
                              // 给每个partition，获取一个连接
                              Connection conn = ConnectionPool.getConnection();

                              // 遍历partition中的数据，使用一个连接，插入数据库
                              Tuple2<String, Integer> wordCount = null;
                              while (wordCounts.hasNext()) 
                                  wordCount = wordCounts.next();

                                  String sql = "insert into wordcount(word,count) "
                                          + "values(‘" + wordCount._1 + "‘," + wordCount._2 + ")";

                                  Statement stmt = conn.createStatement();
                                  stmt.executeUpdate(sql);
                              

                              // 用完以后，将连接还回去
                              ConnectionPool.returnConnection(conn);
                          
                      );
                  
              );
        jssc.start();
        jssc.awaitTermination();
        jssc.close();