Spark Streaming

流计算概述

流数据是指在时间分布上和数量上无线的一系列动态数据集合。数据记录是流数据的最小组成单元。

流数据特征

• 数据快速持续到达，无穷无尽
• 数据来源众多，格式复杂
• 数据量大，不关心存储
• 注重数据的整体价值，不过分关注个别数据
• 数据顺序颠倒或者不完整

流计算

流数据被处理后，一部分进入数据库成为静态数据，其他部分则直接被丢弃。流数据必须采用实时计算，实时得到结果。

流计算平台实时获取不同数据源的数据，经过实时分析处理，得到有用的信息。

Spark Streaming

Spark Streaming是构建在Spark上的流计算框架，使得Spark可以同时批处理和流处理。

Spark Streaming输入源可以是kafka，flume，hdfs，tcp socket，输出源可以是关系型数据库，HDFS。经过处理的数据可以存储在文件系统、数据库。

基本原理

将实时输入数据流以时间片的单位进行拆分，然后用spark引擎，以类批处理方式处理每个时间片数据。

拆分成batches of input data.

数据对象

DStream，表示连续不断的数据流。每一段数据都转换为rdd，并且对DStream的操作都转变为对RDD的操作。

DStream操作概述

存在一个组件Receiver，作为一个长期运行的任务Task在Executor上运行，每个Receiver负责一个DStream输入流。

编写Spark Streaming程序基本步骤

• 创建输入DStream定义输入流
• 通过对DSteam转换操作和输出操作来定义流计算
• 调用Streaming Context对象的start()来开始接收数据和处理流程
• 调用Streaming Context对象的awaitTermination()方法等来流计算进程结束，或调用stop()结束流计算进程

创建StreamingContext对象

ssc = StreamingContext(sc,1)

sc是SparkContext对象，1表示每1秒切成一个分段。所以无法实现毫秒级别的流计算。

输入源

文件流

文件流，对文件系统的某个目录进行监听，有新的文件生成，就把文件内容读取过来。

ssc = StreamingContext(sc,1)
lines = ssc.textFileStream('logfile')
word = lines.flatMap(lambda line: line.split(' '))
wordCount = word.map(lambda x: (x,1)).reduceByKey(lambda x,y:x+y)
wordCount.pprint()
ssc.start()
ssc.awaitTermination()

套接字流

可以通过Socket端口监听并接收数据。

ssc.socketTextStream(主机地址，端口号)

RDD队列流

可以调用StreamingContext对象的queueStream()方法来创建基于RDD队列的DStream。

ssc.queueStream(rddQueue)

Kafka源

可以把Kafka或Flume作为数据源。使用KafkaUtils创建输入流。

转换操作

无状态操作，不会记录历史状态信息，每次对新的批次数据进行处理，只会记录当前批次数据的状态。

有状态转换操作则会记录历史状态信息，包括滑动窗口转换操作和updateStateByKey操作。

滑动窗口转换操作

事先设定一个滑动窗口的长度，设定滑动窗口的间隔（每隔多久执行一次计算）。

updateStateByKey操作

滑动窗口操作，只能对当前窗口内的数据进行计算，无法在跨批次之间维护状态。如果要在跨批次之间维护状态，就必须使用updateStateByKey操作。

会在之前批次的结果上的基础上不断累加。updateStateByKey会根据key对当前批次内的所有key,value进行计算，把所有key相同的进行合并。得到(key,value-list)。

输出操作

把DStream的数据输出到文本文件或关系数据库中。

saveAsTextFiles()//写入文本
//写入数据库和RDD写入数据库一样