56、Spark Streaming: transform以及实时黑名单过滤案例实战
一、transform以及实时黑名单过滤案例实战
1、概述
transform操作，应用在DStream上时，可以用于执行任意的RDD到RDD的转换操作。它可以用于实现，DStream API中所没有提供的操作。比如说，DStream API中，
并没有提供将一个DStream中的每个batch，与一个特定的RDD进行join的操作。但是我们自己就可以使用transform操作来实现该功能。
DStream.join()，只能join其他DStream。在DStream每个batch的RDD计算出来之后，会去跟其他DStream的RDD进行join。
案例：广告计费日志实时黑名单过滤
2、java案例
package cn.spark.study.streaming; import java.util.ArrayList; import java.util.List; import org.apache.spark.SparkConf; import org.apache.spark.api.java.JavaPairRDD; import org.apache.spark.api.java.JavaRDD; import org.apache.spark.api.java.function.Function; import org.apache.spark.api.java.function.PairFunction; 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 com.google.common.base.Optional; import scala.Tuple2; /** * 基于transform的实时广告计费日志黑名单过滤 * * @author bcqf * */ public class TransformBlacklist { @SuppressWarnings("deprecation") public static void main(String[] args) { SparkConf conf = new SparkConf() .setMaster("local[2]") .setAppName("TransformBlacklist"); JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(5)); // 用户对我们的网站上的广告可以进行点击 // 点击之后，是不是要进行实时计费，点一下，算一次钱 // 但是，对于那些帮助某些无良商家刷广告的人，那么我们有一个黑名单 // 只要是黑名单中的用户点击的广告，我们就给过滤掉 // 先做一份模拟的黑名单RDD List<Tuple2<String, Boolean>> blacklist = new ArrayList<Tuple2<String, Boolean>>(); blacklist.add(new Tuple2<String, Boolean>("tom", true)); final JavaPairRDD<String, Boolean> blacklistRDD = jssc.sc().parallelizePairs(blacklist); // 这里的日志格式，就简化一下，就是date username的方式 JavaReceiverInputDStream<String> adsClickLogDStream = jssc.socketTextStream("spark1", 9999); // 所以，要先对输入的数据，进行一下转换操作，变成，(username, date username) // 以便于，后面对每个batch RDD，与定义好的黑名单RDD进行join操作 JavaPairDStream<String, String> userAdsClickLogDStream = adsClickLogDStream.mapToPair( new PairFunction<String, String, String>() { private static final long serialVersionUID = 1L; @Override public Tuple2<String, String> call(String adsClickLog) throws Exception { return new Tuple2<String, String>( adsClickLog.split(" ")[1], adsClickLog); } }); // 然后，就可以执行transform操作了，将每个batch的RDD，与黑名单RDD进行join、filter、map等操作 // 实时进行黑名单过滤 JavaDStream<String> validAdsClickLogDStream = userAdsClickLogDStream.transform( new Function<JavaPairRDD<String,String>, JavaRDD<String>>() { private static final long serialVersionUID = 1L; @Override public JavaRDD<String> call(JavaPairRDD<String, String> userAdsClickLogRDD) throws Exception { // 这里为什么用左外连接？ // 因为，并不是每个用户都存在于黑名单中的 // 所以，如果直接用join，那么没有存在于黑名单中的数据，会无法join到 // 就给丢弃掉了 // 所以，这里用leftOuterJoin，就是说，哪怕一个user不在黑名单RDD中，没有join到 // 也还是会被保存下来的 JavaPairRDD<String, Tuple2<String, Optional<Boolean>>> joinedRDD = userAdsClickLogRDD.leftOuterJoin(blacklistRDD); // 连接之后，执行filter算子 JavaPairRDD<String, Tuple2<String, Optional<Boolean>>> filteredRDD = joinedRDD.filter( new Function<Tuple2<String, Tuple2<String,Optional<Boolean>>>, Boolean>() { private static final long serialVersionUID = 1L; @Override public Boolean call( Tuple2<String, Tuple2<String, Optional<Boolean>>> tuple) throws Exception { // 这里的tuple，就是每个用户，对应的访问日志，和在黑名单中 // 的状态 if(tuple._2._2().isPresent() && tuple._2._2.get()) { return false; } return true; } }); // 此时，filteredRDD中，就只剩下没有被黑名单过滤的用户点击了 // 进行map操作，转换成我们想要的格式 JavaRDD<String> validAdsClickLogRDD = filteredRDD.map( new Function<Tuple2<String,Tuple2<String,Optional<Boolean>>>, String>() { private static final long serialVersionUID = 1L; @Override public String call( Tuple2<String, Tuple2<String, Optional<Boolean>>> tuple) throws Exception { return tuple._2._1; } }); // return validAdsClickLogRDD; } }); // 打印有效的广告点击日志 // 其实在真实企业场景中，这里后面就可以走写入kafka、ActiveMQ等这种中间件消息队列 // 然后再开发一个专门的后台服务，作为广告计费服务，执行实时的广告计费，这里就是只拿到了有效的广告点击 validAdsClickLogDStream.print(); jssc.start(); jssc.awaitTermination(); jssc.close(); } } ##在eclipse中运行程序 ##服务器端运行nc [root@spark1 kafka]# nc -lk 9999 20150814 marry 20150814 tom ##结果，tom已经被过滤掉了 20150814 marry
2、scala案例
package cn.spark.study.streaming import org.apache.spark.SparkConf import org.apache.spark.streaming.StreamingContext import org.apache.spark.streaming.Seconds /** * @author bcqf */ object TransformBlacklist { def main(args: Array[String]): Unit = { val conf = new SparkConf() .setMaster("local[2]") .setAppName("TransformBlacklist") val ssc = new StreamingContext(conf, Seconds(5)) val blacklist = Array(("tom", true)) val blacklistRDD = ssc.sparkContext.parallelize(blacklist, 5) val adsClickLogDStream = ssc.socketTextStream("spark1", 9999) val userAdsClickLogDStream = adsClickLogDStream .map { adsClickLog => (adsClickLog.split(" ")(1), adsClickLog) } val validAdsClickLogDStream = userAdsClickLogDStream.transform(userAdsClickLogRDD => { val joinedRDD = userAdsClickLogRDD.leftOuterJoin(blacklistRDD) val filteredRDD = joinedRDD.filter(tuple => { if(tuple._2._2.getOrElse(false)) { false } else { true } }) val validAdsClickLogRDD = filteredRDD.map(tuple => tuple._2._1) validAdsClickLogRDD }) validAdsClickLogDStream.print() ssc.start() ssc.awaitTermination() } }
