【JAVA之spark streaming入门示例】

package cn.com.sparkdemo.myspark;

 

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.JavaPairDStream;

import org.apache.spark.streaming.api.java.JavaReceiverInputDStream;

import org.apache.spark.streaming.api.java.JavaStreamingContext;

 

import scala.Tuple2;

 

public class OnlineWordCount {

 

public static void main(String[] args) {

/**

* 第一步：配置sparkConf 1.至少2条线程，以为spark streaming

* 应用程序在运行的时候至少有一条线程用于不断接受数据，并且至少有一个

* 线程用户处理接受的数据（否则的话，没有线程用户处理数据，随着时间的推移，内存和磁盘都是不堪重负）

* 2、对于集群而言，每一个Executor一般肯定不止一个Thread，那么对于处理spark Streaming

* 的程序而言，每个Executor一般分配多少个Core比较合适？core最佳个数一般是奇数：5,7

*/

SparkConf conf = new SparkConf().setMaster("local[2]").setAppName(

"online count");

conf.set("spark.testing.memory", "2147480000");

/**

* 第二步：创建SparkStreamingContext： 这是个SparkStreaming应用程序所有功能的起点和程序调度的核心

* SparkStreamingContext构建基于SparkConf参数，可以基于持久化的SparkStreamingContext内容

* 恢复过来（典型的应用场景是Driver崩溃后重新启动，由于Spark Streaming具有连续7*24）不间断运行特征

* 所有需要在Driver重新启动后继续上一次的状态，此时的状态恢复需要基于曾记的checkPoint) 2、在一个spark

* streaming 应用程序中可以创建若干个SparkStreamContext对象，使用下一个SparkStreamingContext

* 之前需要把前面正在运行的sparkStreamContext对象关闭

* 。因此我们获得一个重大的启发，sparkStreaming框架也只是spark core

* 上的一个应用程序而已，至不过sparkStreaming 框架想运行的话需要spark 工程师写业务逻辑处理代码

*/

JavaStreamingContext jsc = new JavaStreamingContext(conf,

Durations.seconds(6));

/*

* 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，有无数据其处理流程都是一样的)；

* 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

* 实例的企业级生成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(

"127.0.0.1", 9999);

/**

* 第四步： 像对于RDD 编程一样基于DStream进行编程。 DStream 是RDD产生的模版，在spark stream具体发生计算前

* 其实质是 把每一个batch 的操作翻译成对RDD的操作！！

* 对于初始的DStream进行Transformation级别的处理，例如map、filter等告诫函数的编程来进行具体的数据计算：

* 

*/

 

JavaPairDStream<String, Integer> pairs = lines.flatMap(

new FlatMapFunction<String, String>() {

 

/**

* 第4.1步：讲每一行的字符串拆分成单个的单词

*/

private static final long serialVersionUID = 1L;

 

public Iterable<String> call(String strs) throws Exception {

 

return Arrays.asList(strs.split(" "));

}

 

/**

* 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)

*/

}).mapToPair(new PairFunction<String, String, Integer>() {

 

public Tuple2<String, Integer> call(String str) throws Exception {

 

return new Tuple2<String, Integer>(str, 1);

}

});

 

JavaPairDStream<String, Integer> words = pairs

.reduceByKey(new Function2<Integer, Integer, Integer>() {

 

/**

* 

*/

private static final long serialVersionUID = 1L;

 

public Integer call(Integer i1, Integer i2)

throws Exception {

 

return i1 + i2;

}

 

});

 

/*

* 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！！！

*/

words.print();

jsc.start();

 

jsc.awaitTermination();

jsc.stop();

 

}

}

 

控制台输出：

17/02/18 19:50:00 INFO JobScheduler: Finished job streaming job 1487418600000 ms.0 from job set of time 1487418600000 ms

17/02/18 19:50:00 INFO JobScheduler: Total delay: 0.017 s for time 1487418600000 ms (execution: 0.016 s)

17/02/18 19:50:00 INFO ShuffledRDD: Removing RDD 228 from persistence list

17/02/18 19:50:00 INFO BlockManager: Removing RDD 228

17/02/18 19:50:00 INFO MapPartitionsRDD: Removing RDD 227 from persistence list

17/02/18 19:50:00 INFO BlockManager: Removing RDD 227

17/02/18 19:50:00 INFO MapPartitionsRDD: Removing RDD 226 from persistence list

17/02/18 19:50:00 INFO BlockManager: Removing RDD 226

17/02/18 19:50:00 INFO BlockRDD: Removing RDD 225 from persistence list

17/02/18 19:50:00 INFO BlockManager: Removing RDD 225

17/02/18 19:50:00 INFO SocketInputDStream: Removing blocks of RDD BlockRDD[225] at socketTextStream at OnlineWordCount.java:49 of time 1487418600000 ms

17/02/18 19:50:00 INFO ReceivedBlockTracker: Deleting batches ArrayBuffer(1487418588000 ms)

17/02/18 19:50:00 INFO InputInfoTracker: remove old batch metadata: 1487418588000 ms