转： Spark Streaming开发入门——WordCount（Java&Scala）
原文地址：
http://lib.csdn.net/article/scala/26722
一、Java方式开发
1、开发前准备
假定您以搭建好了Spark集群。
2、开发环境采用eclipse maven工程，需要添加Spark Streaming依赖。
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-streaming_2.10</artifactId>
<version>1.6.0</version>
</dependency>- 1
- 2
- 3
- 4
- 5
3、Spark streaming 基于Spark Core进行计算，需要注意事项：
1.local模式的话,local后必须为大于等于2的数字【即至少2条线程】。因为receiver 占了一个。
因为,SparkStreaming 在运行的时候,至少需要一条线程不断循环接收数据，而且至少有一条线程处理接收的数据。
如果只有一条线程的话,接受的数据不能被处理。
温馨提示：
对于集群而言，每隔exccutor一般肯定不只一个Thread，那对于处理Spark Streaming应用程序而言，每个executor一般分配多少core比较合适？根据我们过去的经验，5个左右的core是最佳的（段子:分配为奇数个core的表现最佳,例如：分配3个、5个、7个core等）
接下来，让我们开始动手写写Java代码吧！
第一步：
SparkConf conf = new SparkConf().setMaster("spark：//Master:7077").setAppName("wordCountOnline");- 1
第二步：
我们采用基于配置文件的方式创建SparkStreamingContext对象
/**
* 第二步：创建SparkStreamingContext,这个是SparkStreaming应用程序所有功能的起始点和程序调度的核心
* SparkStreamingContext的构建可以基于SparkConf参数，也可基于持久化的SparkStreamingContext的内容来回复过来
* （典型的场景是Driver崩溃后重新启动，由于Spark Streaming具有连续7*24小时不间断运行的特征，
* 所有需要再Drver重新启动后继续上的状态，此时的状态恢复需要基于曾经的Checkpoint）
*
*
* 2.在一个SparkStreaming应用程序中可以有多个SparkStreamingContext对象，使用下一个SparkStreaming程序之前
* 需要把前面正在运行的SparkStreamingContext对象关闭掉，由此，我们获得一个启发：
*
* SparkStreaming框架也 就是Spark Core上的一个应用程序。
* 只不过需要Spark工程师写业务逻辑代码。
* 所以要掌握好Spark，学好SparkStreaming 就行了。
*
* java虚拟机在os角度上看就是一个简单的c。c++应用程序。
*
* 这里可以用工厂方法创建ssc
*
*
*/
JavaStreamingContext jsc = new JavaStreamingContext(conf,Durations.seconds(5));- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
第三步,创建Spark Streaming输入数据来源:
我们将数据来源配置为本地端口9999（注意端口要求没有被占用）:
/**
* 第三步：创建Spark Streaming 输入数据来源：input Stream
* 1.数据输入来源可以基于File、HDFS、Flume、Kafka、Socket
*
* 2.在这里我们指定数据来源于网络Socket端口,
* Spark Streaming连接上该端口并在运行的时候一直监听该端口的数据（当然该端口服务首先必须存在，并且在后续会根据业务需要不断的有数据产生）。
*
* 有数据和没有数据 在处理逻辑上没有影响（在程序看来都是数据）
*
* 3.如果经常在每间隔5秒钟 没有数据的话,不断的启动空的job其实是会造成调度资源的浪费。因为 并没有数据需要发生计算。
* 所以企业级生产环境的代码在具体提交Job前会判断是否有数据，如果没有的话，就不再提交Job；
*
*
*/
JavaReceiverInputDStream<String> lines = jsc.socketTextStream("Master", 9999);- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
第四步：我们就像对RDD编程一样，基于DStream进行编程，原因是DStream是RDD产生的模板，在Spark Streaming发生计算前，其实质是把每个Batch的DStream的操作翻译成为了RDD操作。DStream对RDD进行了一次抽象。如同DataFrame对RDD进行一次抽象。JavaRDD —-> JavaDStream
1、flatMap操作：
JavaDStream<String> words = lines.flatMap(new FlatMapFunction<String, String>() {
@Override
public Iterable<String> call(String line) throws Exception {
// TODO Auto-generated method stub
return Arrays.asList(line.split(" "));
}
});- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
2、 mapToPair操作：
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 {
// TODO Auto-generated method stub
return new Tuple2<String,Integer>(word,1);
}
});- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
3、reduceByKey操作：
JavaPairDStream<String, Integer> wordsCount = pairs.reduceByKey(new Function2<Integer, Integer, Integer>() {
@Override
public Integer call(Integer v1, Integer v2) throws Exception {
// TODO Auto-generated method stub
return v1 + v2;
}
});- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
4、print等操作：
/**
* 此处的print并不会直接触发Job的执行，因为现在的一切都是在Spark Streaming框架的控制之下的。
* 具体是否真正触发Job的运行是基于设置的Duration时间间隔的触发的。
*
*
* Spark应用程序要想执行具体的Job对DStream就必须有output Stream操作。
* ouput Stream 有很多类型的函数触发,类print、savaAsTextFile、saveAsHadoopFiles等，最为重要的是foreachRDD，因为Spark Streamimg处理的结果一般都会
* 放在Redis、DB、DashBoard等上面，foreachRDD主要
* 就是用来 完成这些功能的，而且可以随意的自定义具体数据放在哪里。
*
*/
wordsCount.print();
jsc.start();
jsc.awaitTermination();
jsc.close();- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
温馨提示：
除了print()方法将处理后的数据输出之外，还有其他的方法也非常重要，在开发中需要重点掌握，比如SaveAsTextFile,SaveAsHadoopFile等，最为重要的是foreachRDD方法，这个方法可以将数据写入Redis,DB,DashBoard等，甚至可以随意的定义数据放在哪里，功能非常强大。
二、Scala方式开发
import org.apache.spark.SparkConf
import org.apache.spark.streaming.StreamingContext
import org.apache.spark.streaming.Seconds
import org.apache.spark.storage.StorageLevel
/**
* @author lxh
*/
object WordCountOnline {
def main(args: Array[String]): Unit = {
/**
* 创建SparkConf
*/
val conf = new SparkConf().setMaster("spark：//Master:7077").setAppName("wordcountonline")
val ssc = new StreamingContext(conf,Seconds(1))
val lines = ssc.socketTextStream("Master", 9999, StorageLevel.MEMORY_AND_DISK)
/**
* 按空格分割
*/
val words = lines.flatMap { line => line.split(" ") }
/**
* 把单个的word变成tuple
*/
val wordCount = words.map { word => (word,1) }
/**
* (key1,1) (key1,1)
* key相同的累加。
*/
wordCount.reduceByKey(_+_)
wordCount.print()
ssc.start()
/**
* 等待程序结束
*/
ssc.awaitTermination()
ssc.stop(true)
}
}
