Spark Streaming DStream的output操作以及foreachRDD详解

Posted transkai

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 Streaming DStream的output操作以及foreachRDD详解相关的知识,希望对你有一定的参考价值。

一.output操作概览

技术图片

 


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();
    

 

以上是关于Spark Streaming DStream的output操作以及foreachRDD详解的主要内容,如果未能解决你的问题,请参考以下文章

Spark Streaming

Spark Streaming的核心DStream之转换操作实例

Spark Streaming的核心DStream之转换操作实例

如何在 Spark-Streaming 的 DStream 中使用“for”循环进行转换和输出?

Spark Streaming

混合 Spark Structured Streaming API 和 DStream 写入 Kafka