通过案例对SparkStreaming透彻理解之一

本期内容：

1 Spark Streaming另类在线实验

2 瞬间理解Spark Streaming本质

在流处理时代，SparkStreaming有着强大吸引力，而且发展前景广阔，加之Spark的生态系统，Streaming可以方便调用其他的 诸如SQL，MLlib等强大框架，它必将一统天下。这里选择Spark Streaming作为版本定制的切入点也是大势所趋。

小技巧：将Batch interval放大，相当于看到了Streaming的慢放版本，可以更清楚它的各个环节，这里以黑名单过滤程序为例，进行试验

案例源码

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71

package com.dt.spark.sparksteaming   import org.apache.spark.SparkConf import org.apache.spark.SparkContext import org.apache.spark.rdd.RDD import org.apache.spark.streaming.StreamingContext import org.apache.spark.streaming.Seconds /**  * 使用Scala开发集群运行的Spark 在线黑名单过滤程序  *  * 背景描述：在广告点击计费系统中，我们在线过滤掉黑名单的点击，进而保护广告商的利益，只进行有效的广告点击计费  *  或者在防刷评分（或者流量）系统，过滤掉无效的投票或者评分或者流量；  * 实现技术：使用transform Api直接基于RDD编程，进行join操作  *  */ object OnlineBlackListFilter {     def main(args: Array[String]){       /**        * 第1步：创建Spark的配置对象SparkConf，设置Spark程序的运行时的配置信息        */       val conf = new SparkConf() //创建SparkConf对象       conf.setAppName("OnlineBlackListFilter") //设置应用程序的名称，在程序运行的监控界面可以看到名称       conf.setMaster("spark://Master:7077") //此时，程序在Spark集群                val ssc = new StreamingContext(conf, Seconds(30))//这里可以将Batch interval调整到更大，例如300秒，以便更好的了解Streaming内幕               /**        * 黑名单数据准备，实际上黑名单一般都是动态的，例如在Redis或者数据库中，黑名单的生成往往有复杂的业务        * 逻辑，具体情况算法不同，但是在Spark Streaming进行处理的时候每次都能工访问完整的信息        */       val blackList = Array(("hadoop", true),("mahout", true))       val blackListRDD = ssc.sparkContext.parallelize(blackList, 8)               val adsClickStream = ssc.socketTextStream("Master", 9999)               /**        * 此处模拟的广告点击的每条数据的格式为：time、name        * 此处map操作的结果是name、（time，name）的格式        */       val adsClickStreamFormatted = adsClickStream.map { ads => (ads.split(" ")(1), ads) }       adsClickStreamFormatted.transform(userClickRDD => {         //通过leftOuterJoin操作既保留了左侧用户广告点击内容的RDD的所有内容，又获得了相应点击内容是否在黑名单中         val joinedBlackListRDD = userClickRDD.leftOuterJoin(blackListRDD)                   /**          * 进行filter过滤的时候，其输入元素是一个Tuple：（name,((time,name), boolean)）          * 其中第一个元素是黑名单的名称，第二元素的第二个元素是进行leftOuterJoin的时候是否存在在值          * 如果存在的话，表面当前广告点击是黑名单，需要过滤掉，否则的话则是有效点击内容；          */         val validClicked = joinedBlackListRDD.filter(joinedItem => {           if(joinedItem._2._2.getOrElse(false))           {             false           } else {             true           }         })                   validClicked.map(validClick => {validClick._2._1})       }).print               /**        * 计算后的有效数据一般都会写入Kafka中，下游的计费系统会从kafka中pull到有效数据进行计费        */       ssc.start()       ssc.awaitTermination()            } }

 

运行分析

启动hdfs和spark集群并开启historyServer，将上述代码打成jar包放入/root/Documents/SparkApps/目录下，为方便这里还是命名为wordcount。编辑脚本文件wordcount.sh 如下：

　　

1	/usr/local/spark-1.6.1-bin-hadoop2.4/bin/spark-submit --class com.pzw.spark.OnlineBlackListFilter --master spark://Master:7077 /root/Documents/SparkApps/WordCount.jar

 

运行脚本文件

注意这里需要启动nc -lk 9999否则会报错

执行完毕去SparkUI查看job

 

 

点击进入DAG图

从DAG图中可以看到这里并不是应用程序的逻辑，这说明Spark Streaming本身更像是一个应用程序，它在启动的时候会自动启动一些作业，执行好几个job。这时进入details，会发现有一个 Receiver在接受数据，而且有一个task运行了1.5min，而打开historyServer会发现整个应用程序也就执行了2min。这个 1.5min的task就是Receiver在不断循环的接受数据。从这里可以看出，Spark Streaming启动Receiver是通过job启动的，Receiver接受数据和普通job没有区别。我们从一台机器上接受数据，可以在多个机器 上执行，最大化的利用资源。在整个过程中虽然产生了很多job，但真正只有一个作业在执行。

Spark Streaming本身是随着流进来的数据，按照时间为单位生成job，触发job在cluster上执行的流式处理引擎。从实质上讲，它是加上了时间维 度的批处理。每隔一段时间，就会有一批数据流入，通过DStream模版不断的产生RDD，触发job并处理。