- 浏览: 236171 次
- 性别:
- 来自: 上海
文章分类
最新评论
-
lwb314:
你的这个是创建的临时的hive表,数据也是通过文件录入进去的, ...
Spark SQL操作Hive数据库 -
yixiaoqi2010:
你好 我的提交上去 总是报错,找不到hive表,可能是哪里 ...
Spark SQL操作Hive数据库 -
bo_hai:
target jvm版本也要选择正确。不能选择太高。2.10对 ...
eclipse开发spark程序配置本地运行
测试Spark Streaming 统计单词的例子
1.准备
事先在hdfs上创建两个目录:
保存上传数据的目录:hdfs://master1:9000/library/SparkStreaming/data
checkpoint的目录:hdfs://master1:9000/library/SparkStreaming/CheckPoint_data
2.源码
3.调度脚本run.sh
4.测试
执行脚本后,试着通过hdfs dfs -put命令上传文件到hdfs://master1:9000/library/SparkStreaming/data目录中,可以查看到隔10秒钟会处理一次。因为我设置的间隔时间是:Durations.seconds(10)
1.准备
事先在hdfs上创建两个目录:
保存上传数据的目录:hdfs://master1:9000/library/SparkStreaming/data
checkpoint的目录:hdfs://master1:9000/library/SparkStreaming/CheckPoint_data
2.源码
package com.imf.spark.SparkApps.sparkstreaming; import java.util.Arrays; import org.apache.spark.SparkConf; import org.apache.spark.api.java.function.FlatMapFunction; import org.apache.spark.api.java.function.Function2; 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 org.apache.spark.streaming.api.java.JavaStreamingContextFactory; import scala.Tuple2; /** * * @Description:用Spark Streaming统计单词个数 * @Author: lujinyong168 * @Date: 2016年5月21日 下午6:14:56 */ public class SparkStreamingOnHDFS { public static void main(String[] args) { /* * 第一步:配置SparkConf * 1.至少2条线程:因为Spark Streaming应用程序在运行的时候,至少有一条线程用于不断的循环接收数据, * 并且至少有一条线程用于处理接收数据(否则无法有线程用于处理数据,随着时间的推移,内存和磁盘都会不堪重负) * 2.对于集群而言,每个Executor一般肯定不止一个Thread,那对于处理spark streaming的应用程序而言,每个Executor * 一般分配多少个Core比较合适?根据经验,5个左右的Core是最佳的; */ final SparkConf conf = new SparkConf().setMaster("spark://master1:7077") .setAppName("SparkStreamingOnHDFS"); /* * 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核心 * 1.SparkStreamingContext的构建可以基于SparkConf参数,也可以基于持久化的SparkStreamingContext的内容 * 来恢复过来(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, * 所以需要在Driver重启后继续上一次的状态,此时的状态恢复需要基于曾经的Checkpoint); * 2.在一个Spark Streaming应用程序中可以创建若干个SparkStreamingContext对象,使用一个SparkStream之前需要把前面 * 运行的SparkStreamingContext对象关闭掉,由此,我们获得一个重大的启发SparkStreaming也只是Spark Core上的一个应用 * 程序而已,只不过Spark Streaming框架运行的话需要Spark工程师写业务逻辑处理代码; */ final String checkpointDirectory = "hdfs://master1:9000/library/SparkStreaming/CheckPoint_data"; JavaStreamingContextFactory factory = new JavaStreamingContextFactory(){ @Override public JavaStreamingContext create() { // TODO Auto-generated method stub return createContext(checkpointDirectory,conf); } }; // JavaStreamingContext jsc = new JavaStreamingContext(conf,Durations.seconds(5)); /** * 可以从失败中恢复Driver,不过还需要指定Driver这个进程运行在Cluster,并且提交应用程序的时候指定--supervise */ JavaStreamingContext jsc = JavaStreamingContext.getOrCreate(checkpointDirectory, factory); /* * 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等; * 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(当然对于Spark Streaming应用程序 * 的运行而言,有无数其处理流程都有一样); * 3.如果经常在每间隔5秒钟没有数据的话,会不断的启动空的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 * 实际的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; * 4.此处没有Receiver,SparkStreaming应用程序只是按照时间间隔监控目录下每个Batch新增的内容(把新增的)作为RDD的数据来源生成原始RDD */ JavaDStream<String> lines = jsc.textFileStream("hdfs://master1:9000/library/SparkStreaming/data");//此处的是hdfs文件 /* * 第四步:接下来就像对于RDD编程一样基于DStream进行编程!!!原因是DStream是RDD产生的模板(或者说类),在Spark Streaming具体 * 发生计算前,其实质是把每个Batch的DStream的操作翻译成为对RDD的操作!!! *对初始的DStream进行Transformation级别的处理,例如map、filter等高阶函数等的编程,来进行具体的数据计算 * 第4.1步:将每一行的字符串拆分成单个的单词 */ JavaDStream<String> words = lines.flatMap(new FlatMapFunction<String, String>() { //如果是Scala,由于SAM转换,所以可以写成val words = lines.flatMap { line => line.split(" ")} @Override public Iterable<String> call(String line) throws Exception { return Arrays.asList(line.split(" ")); } }); /* * 第四步:对初始的DStream进行Transformation级别的处理,例如map、filter等高阶函数等的编程,来进行具体的数据计算 * 第4.2步:在单词拆分的基础上对每个单词实例计数为1,也就是word => (word, 1) */ 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); } }); /* * 第四步:对初始的DStream进行Transformation级别的处理,例如map、filter等高阶函数等的编程,来进行具体的数据计算 * 第4.3步:在每个单词实例计数为1基础之上统计每个单词在文件中出现的总次数 */ JavaPairDStream<String, Integer> wordsCount = pairs.reduceByKey(new Function2<Integer, Integer, Integer>() { //对相同的Key,进行Value的累计(包括Local和Reducer级别同时Reduce) /** * */ private static final long serialVersionUID = 1L; public Integer call(Integer v1, Integer v2) throws Exception { return v1 + v2; } }); /* * 此处的print并不会直接出发Job的执行,因为现在的一切都是在Spark Streaming框架的控制之下的,对于Spark Streaming * 而言具体是否触发真正的Job运行是基于设置的Duration时间间隔的 * * 诸位一定要注意的是Spark Streaming应用程序要想执行具体的Job,对Dtream就必须有output Stream操作, * output Stream有很多类型的函数触发,类print、saveAsTextFile、saveAsHadoopFiles等,最为重要的一个 * 方法是foraeachRDD,因为Spark Streaming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到底放在哪里!!! * */ wordsCount.print(); /* * Spark Streaming执行引擎也就是Driver开始运行,Driver启动的时候是位于一条新的线程中的,当然其内部有消息循环体,用于 * 接受应用程序本身或者Executor中的消息; */ jsc.start(); jsc.awaitTermination(); jsc.close(); } /** * * @Description:工厂模式创建JavaStreamingContext * @Author: lujinyong168 * @Date: 2016年5月12日 下午10:01:40 */ private static JavaStreamingContext createContext(String checkpointDirectory,SparkConf sc){ System.out.println("Creating new context"); JavaStreamingContext ssc = new JavaStreamingContext(sc,Durations.seconds(10)); ssc.checkpoint(checkpointDirectory); return ssc; } }
3.调度脚本run.sh
/usr/local/spark/spark-1.6.0-bin-hadoop2.6/bin/spark-submit \ --class com.imf.spark.SparkApps.sparkstreaming.SparkStreamingOnHDFS \ --files /usr/local/hive/apache-hive-1.2.1-bin/conf/hive-site.xml \ --master spark://master1:7077 \ /usr/local/sparkApps/SparkStreamingOnHDFS/SparkStreamingOnHDFS.jar
4.测试
执行脚本后,试着通过hdfs dfs -put命令上传文件到hdfs://master1:9000/library/SparkStreaming/data目录中,可以查看到隔10秒钟会处理一次。因为我设置的间隔时间是:Durations.seconds(10)
发表评论
-
SparkStreaming pull data from Flume
2016-06-19 17:29 1233Spark Streaming + Flume Integra ... -
Flume push数据到SparkStreaming
2016-06-19 15:16 1948上节http://kevin12.iteye.com/blog ... -
Spark Streaming 统计单词的例
2016-06-19 14:55 3测试Spark Streaming 统计单词的例子 1.准 ... -
Spark SQL窗口函数
2016-04-22 07:18 2565窗口函数又叫着窗口分析函数,Spark 1.4版本SparkS ... -
Spark SQL内置函数应用
2016-04-22 07:00 8672简单说明 使用Spark SQL中的内置函数对数据进行 ... -
Spark SQL操作Hive数据库
2016-04-13 22:37 17609本次例子通过scala编程实现Spark SQL操作Hive数 ... -
Spark SQL on hive配置和实战
2016-03-26 18:40 5582spark sql 官网:http://spark ... -
eclipse开发hadoop环境搭建
2016-02-13 14:54 1397Hadoop2.6.0集群搭建完毕后,下面介绍一下eclips ... -
Spark RDD弹性表现和来源
2016-02-09 20:12 3863hadoop 的MapReduce是基于数 ... -
Spark内核架构
2016-02-07 12:24 10201.在将spark内核架构前,先了解一下Hadoop的MR,H ... -
spark集群HA搭建
2016-01-31 08:50 4536spark集群的HA图: 搭建spark的HA需要安装z ... -
Spark集群中WordCount运行原理
2016-01-31 07:05 2515以数据流动的视角解释一下wordcount运行的原理 pa ... -
eclipse开发spark程序配置在集群上运行
2016-01-27 08:08 9373这篇bolg讲一下,IDE开发的spark程序如何提交到集群上 ... -
eclipse开发spark程序配置本地运行
2016-01-27 07:58 12416今天简单讲一下在local模式下用eclipse开发一个简单的 ... -
spark1.6.0搭建(基于hadoop2.6.0分布式)
2016-01-24 10:11 5982本文是基于hadoop2.6.0的分布式环境搭建spark1. ... -
hadoop2.6.0集群的搭建方法
2016-01-23 22:37 33821.集群环境的安装 1.1工具软件版本说明(软件尽量去官网下载 ... -
Hadoop Shuffle(洗牌)过程
2014-03-25 14:26 1051博客来源:http://www.wnt.c ... -
hadoop2.2运行wordcount例子
2014-03-10 11:46 2624转载请注明出处:http://kevin12.iteye.co ...
相关推荐
运行结果:每次重新统计新增文件的单词频次。 在第二个例子中,我们将监控指定目录,并处理该目录下的同一格式的新旧文件。在这个例子中,我做了一个 word.txt 文件,并备份了一份,先放原文件到检测目录,过段时间...
SparkStreaming是Apache Spark的一个模块,专门用于实时数据流处理。在本篇中,我们将深入探讨如何使用SparkStreaming创建DStream(Discretized Stream),并实现一个简单的WordCount应用。 DStream是Spark...
以下是一个简单的 Spark Streaming 应用程序 `StreamWordCount`,用于统计通过 TCP 端口传入的文本数据中的单词数量: 1. 初始化 Spark 配置,设置 Master 为 "local[*]",应用名为 "StreamWordCount"。 2. 创建 ...
这个"spark-windows helloworld入门例子"是专为Windows用户设计的,旨在帮助初学者快速理解和掌握Spark的基本用法。 首先,我们需要了解Spark的核心概念。Spark的核心在于它的弹性分布式数据集(Resilient ...
【Spark入门实战系列(下)--实时流计算SparkStreaming实战】 Spark Streaming是Apache Spark的一个扩展,用于处理实时数据流。它将实时数据流分解成一系列微小的批处理作业,这些作业可以在Spark集群上快速执行。这...
1. **Word Count**:基础的分布式计算示例,统计文本文件中每个单词的出现次数。 2. **Spark SQL**:使用DataFrame API进行结构化数据处理,可以与多种数据源交互,如HDFS、Cassandra、Hive等。 3. **Spark ...
1. Word Count:Spark最经典的例子,用于统计文本中单词出现的次数。展示了RDD的基本操作,如map、reduceByKey和count。 2. 数据加载与保存:演示如何从HDFS、Cassandra、Hive等数据源读取数据,以及如何将结果写回...
- WordCount是大数据处理的经典例子,用于统计文本中单词出现的次数。 - 在Spark Shell中,使用`sc.textFile`读取HDFS上的文件,`flatMap`拆分单词,`map`将每个单词映射为键值对((word, 1)`,`reduceByKey`进行...
- Spark的主要编程模型包括批处理、交互式查询(Spark SQL)和流处理(Spark Streaming)。理解这些模型以及它们如何适应不同工作负载至关重要。 7. **性能优化** - Spark支持各种优化策略,如分区调整、缓存和...
例如,`WordCount`例子展示了如何统计文本文件中的单词频率,这是并行计算的经典应用场景。 其次,Spark提供了DataFrame和Dataset API,这两种高级数据抽象使得数据处理更加便捷且类型安全。DataFrame API基于SQL,...
其中,WordCount是经典的分布式计算案例,用于统计文本中单词的出现频率。 1. **Spring Boot**: Spring Boot简化了创建独立的、生产级别的基于Spring的应用程序。它通过提供默认配置,使得开发者可以快速地构建...
- **WordCount**:Spark的经典入门示例,统计文本文件中的单词出现次数,展示了RDD(弹性分布式数据集)的基本操作。 - **JavaSparkSQLExample**:利用Spark SQL执行SQL查询,读取和写入数据到Hive表或Parquet文件...
在Apache Spark Streaming中,`DStream`(Discretized Stream)是基本的数据抽象单位,代表了一系列的RDD(弹性分布式数据集)。`DStream`允许开发者对实时数据流进行复杂的操作,如窗口化、滑动窗口、更新状态等。...
在描述“MapReduce example”中,可能提到了一个具体的应用场景,比如通过MapReduce来统计文本中单词的频率。Map阶段,可以将每一行文本作为键值对输入,其中键为空,值为整行文本。Map函数可以分割文本,对单词进行...
1. WordCount:这是最基础的Spark示例,它演示了如何读取文本文件,通过split和flatMap操作将文本拆分成单词,然后使用reduceByKey对每个单词进行计数。 2. PairOperations:这一例子展示了Spark处理键值对数据的...
这个程序读取文本文件,统计每个单词出现的次数,并打印结果。 总的来说,理解并熟练使用Spark命令参数以及编写独立应用程序是成为Spark开发者的基础,这将帮助你更高效地处理大规模数据。掌握这些知识后,你可以...
- **Spark编程**:手写Spark-WordCount程序,这是Spark入门的经典例子,用于统计文本中的单词频率。 - **二叉树操作**:在Scala中实现二叉树操作,如查找、插入和删除,这可以测试候选人的数据结构和算法能力。 - **...
例如,以下是一个简单的Spark-Scala应用,用于统计文本文件中单词的出现次数: ```scala import org.apache.spark.{SparkConf, SparkContext} object WordCount { def main(args: Array[String]): Unit = { val ...
- **Word Count Example**: MapReduce的一个经典示例是Word Count程序,它用于统计文本文件中每个单词出现的次数。这个例子展示了如何使用MapReduce进行数据处理和分析。 #### Blocking Queue - **...
对于实时需求,可以采用Spark Streaming或其他实时计算框架。另外,尽管MapReduce主要是用Java实现的,但通过Hadoop的API,也可以使用Python、C++等其他编程语言编写MapReduce程序。 通过WordCount案例,我们可以...