隨著信息技術的迅猛發(fā)展，數(shù)據(jù)量呈現(xiàn)出爆炸式增長趨勢，數(shù)據(jù)的種類與變化速度也遠遠超出人們的想象，因此人們對大數(shù)據(jù)處理提出了更高的要求，越來越多的領域迫切需要大數(shù)據(jù)技術來解決領域內的關鍵問題。在一些特定的領域中(例如金融、災害預警等)，時間就是金錢、時間可能就是生命!然而傳統(tǒng)的批處理框架卻一直難以滿足這些領域中的實時性需求。為此，涌現(xiàn)出了一批如S4、Storm的流式計算框架。Spark是基于內存的大數(shù)據(jù)綜合處理引擎，具有優(yōu)秀的作業(yè)調度機制和快速的分布式計算能力，使其能夠更加高效地進行迭代計算，因此Spark能夠在一定程度上實現(xiàn)大數(shù)據(jù)的流式處理。

[[205927]]

Spark Streaming是Spark上的一個流式處理框架，可以面向海量數(shù)據(jù)實現(xiàn)高吞吐量、高容錯的實時計算。Spark Streaming支持多種類型數(shù)據(jù)源，包括Kafka、Flume、trwitter、zeroMQ、Kinesis以及TCP sockets等，如圖1所示。Spark Streaming實時接收數(shù)據(jù)流，并按照一定的時間間隔將連續(xù)的數(shù)據(jù)流拆分成一批批離散的數(shù)據(jù)集;然后應用諸如map、reducluce、join和window等豐富的API進行復雜的數(shù)據(jù)處理;最后提交給Spark引擎進行運算，得到批量結果數(shù)據(jù)，因此其也被稱為準實時處理系統(tǒng)。

圖1 Spark Streaming支持多種類型數(shù)據(jù)源

目前應用最廣泛的大數(shù)據(jù)流式處理框架是Storm。Spark Streaming 最低0.5~2s做一次處理(而Storm最快可達0.1s)，在實時性和容錯方面不如Storm。然而Spark Streaming的集成性非常好，通過RDD不僅能夠與Spark上的所有組件無縫銜接共享數(shù)據(jù)，還能非常容易地與Kafka、Flume等分布式日志收集框架進行集成;同時Spark Streaming的吞吐量非常高，遠遠優(yōu)于Storm的吞吐量，如圖2所示。所以雖然Spark Streaming的處理延遲高于Storm，但是在集成性與吞吐量方面的優(yōu)勢使其更適用于大數(shù)據(jù)背景。

圖2 Spark Streaming與Storm吞吐量比較圖

Spark Streaming基礎概念

批處理時間間隔

在Spark Streaming中，對數(shù)據(jù)的采集是實時、逐條進行的，但是對數(shù)據(jù)的處理卻是分批進行的。因此，Spark Streaming需要設定一個時間間隔，將該時間間隔內采集到的數(shù)據(jù)統(tǒng)一進行處理，這個間隔稱為批處理時間間隔。

也就是說對于源源不斷的數(shù)據(jù)，Spark Streaming是通過切分的方式，先將連續(xù)的數(shù)據(jù)流進行離散化處理。數(shù)據(jù)流每被切分一次，對應生成一個RDD，每個RDD都包含了一個時間間隔內所獲取到的所有數(shù)據(jù)，因此數(shù)據(jù)流被轉換為由若干個RDD構成的有序集合，而批處理時間間隔決定了Spark Streaming需要多久對數(shù)據(jù)流切分一次。Spark Streaming是Spark上的組件，其獲取的數(shù)據(jù)和數(shù)據(jù)上的操作最終仍以Spark作業(yè)的形式在底層的Spark內核中進行計算，因此批處理時間間隔不僅影響數(shù)據(jù)處理的吞吐量，同時也決定了Spark Streaming向Spark提交作業(yè)的頻率和數(shù)據(jù)處理的延遲。需要注意的是，批處理時間間隔的設置會伴隨Spark Streaming應用程序的整個生命周期，無法在程序運行期間動態(tài)修改，所以需要綜合考慮實際應用場景中的數(shù)據(jù)流特點和集群的處理性能等多種因素進行設定。

窗口時間間隔

窗口時間間隔又稱為窗口長度，它是一個抽象的時間概念，決定了Spark Streaming對RDD序列進行處理的范圍與粒度，即用戶可以通過設置窗口長度來對一定時間范圍內的數(shù)據(jù)進行統(tǒng)計和分析。如果設批處理時間設為1s，窗口時間間隔為3s，如3圖所示，其中每個實心矩形表示Spark Streaming每1秒鐘切分出的一個RDD，若干個實心矩形塊表示一個以時間為序的RDD序列，而透明矩形框表示窗口時間間隔。易知窗口內RDD的數(shù)量最多為3個，即Spark Streming 每次最多對3個RDD中的數(shù)據(jù)進行統(tǒng)計和分析。對于窗口時間間隔還需要注意以下幾點：

• 以圖3為例，在系統(tǒng)啟動后的前3s內，因進入窗口的RDD不足3個，但是隨著時間的推移，最終窗口將被填滿。
• 不同窗口內所包含的RDD可能會有重疊，即當前窗口內的數(shù)據(jù)可能被其后續(xù)若干個窗口所包含，因此在一些應用場景中，對于已經處理過的數(shù)據(jù)不能立即刪除，以備后續(xù)計算使用。
• 窗口時間間隔必須是批處理時間間隔的整數(shù)倍。

圖3 窗口時間間隔示意圖

滑動時間間隔

滑動時間間隔決定了Spark Streaming對數(shù)據(jù)進行統(tǒng)計與分析的頻率，多出現(xiàn)在與窗口相關的操作中。滑動時間間隔是基于批處理時間間隔提出的，其必須是批處理時間間隔的整數(shù)倍。在默認的情況下滑動時間間隔設置為與批處理時間間隔相同的值。如果批處理時間間隔為1s，窗口間隔為3s，滑動時間間隔為2s，如圖4所示，其含義是每隔2s對過去3s內產生的3個RDD進行統(tǒng)計分析。

圖4 滑動時間間隔、窗口時間間隔、批處理時間間隔綜合示意圖

DStream基本概念

DStream是Spark Streaming的一個基本抽象，它以離散化的RDD序列的形式近似描述了連續(xù)的數(shù)據(jù)流。DStream本質上是一個以時間為鍵，RDD為值的哈希表，保存了按時間順序產生的RDD，而每個RDD封裝了批處理時間間隔內獲取到的數(shù)據(jù)。Spark Streaming每次將新產生的RDD添加到哈希表中，而對于已經不再需要的RDD則會從這個哈希表中刪除，所以DStream也可以簡單地理解為以時間為鍵的RDD的動態(tài)序列。設批處理時間間隔為1s，圖5為4s內產生的DStream示意圖。

圖5 DStream示意圖

Spark Streaming編程模式與案例分析

Spark Streaming編程模式

下面以Spark Streaming官方提供的WordCount代碼為例來介紹Spark Streaming的使用方式。

示例1：

 

import org.apache.spark._ 
import org.apache.spark.streaming._ 
import org.apache.spark.streaming.StreamingContext._ 
/*創(chuàng)建一個本地模式的StreamingContext，并設定master節(jié)點工作線程數(shù)為2，并以1秒作為批處理時間間隔。*/ 
val conf = new SparkConf().setMaster("local[2]"). 
setAppName("NetworkWordCount") 
val ssc = new StreamingContext(conf, Seconds(1)) 
/*通過獲取”localhost”節(jié)點9999端口中的實時數(shù)據(jù)流創(chuàng)建DStream。*/ 
val lines = ssc.socketTextStream("localhost", 9999) 
/*以空格作為分割DStream中數(shù)據(jù)的依據(jù)，使得每一行文本轉換為若干個單詞。*/ 
val words = lines.flatMap(_.split(" ")) 
import org.apache.spark.streaming.StreamingContext._ 
/*對于words中的每個單詞word，轉換為相應的二元組形式(word,1)，在此基礎上統(tǒng)計每個單詞出現(xiàn)的次數(shù)。*/ 
val pairs = words.map(word => (word, 1)) 
val wordCounts = pairs.reduceByKey(_ + _) 
//輸出DStream中每個RDD中前10個元素。 
wordCounts.print() 
//啟動Spark Streaming應用程序。 
ssc.start() 
//等待計算完成。 
ssc.awaitTermination() 

Spark Streaming應用程序在功能結構上通常包含以下五部分，如上述示例1所示。

• 導入Spark Streaming相關包：Spark Streaming作為Spark框架上的一個組件，具有很好的集成性。在開發(fā)Spark Streaming應用程序時，只需導入Spark Streaming相關包，無需額外的參數(shù)配置。
• 創(chuàng)建StreamingContext對象：同Spark應用程序中的SparkContext對象一樣， StreamingContext對象是Spark Streaming應用程序與集群進行交互的唯一通道，其中封裝了Spark集群的環(huán)境信息和應用程序的一些屬性信息。在該對象中通常需要指明應用程序的運行模式(示例1中設為local[2])、設定應用程序名稱(示例1中設為NetworkWordCount)、設定批處理時間間隔(示例1中設為Seconds(1)即1秒鐘)，其中批處理時間間隔需要根據(jù)用戶的需求和集群的處理能力進行適當?shù)卦O置。
• 創(chuàng)建InputDStream：Spark Streaming需要根據(jù)數(shù)據(jù)源類型選擇相應的創(chuàng)建DStream的方法。示例1中Spark Streaming通過StreamingContext對象調用socketTextStream方法處理以socket連接類型數(shù)據(jù)源，創(chuàng)建出DStream即lines。Spark Streaming同時支持多種不同的數(shù)據(jù)源類型，其中包括Kafka、Flume、HDFS/S3、Kinesis和Twitter等數(shù)據(jù)源。
• 操作DStream：對于從數(shù)據(jù)源得到的DStream，用戶可以調用豐富的操作對其進行處理。示例1中針對lines的一系列操作就是一個典型的WordCount執(zhí)行流程：對于當前批處理時間間隔內的文本數(shù)據(jù)以空格進行切分，進而得到words;再將words中每個單詞轉換為二元組，進而得到pairs;最后利用reduceByKey方法進行統(tǒng)計。
• 啟動與停止Spark Streaming應用程序：在啟動Spark Streaming應用程序之前，DStream上所有的操作僅僅是定義了數(shù)據(jù)的處理流程，程序并沒有真正連接上數(shù)據(jù)源，也沒有對數(shù)據(jù)進行任何操作，當ssc.start()啟動后程序中定義的操作才會真正開始執(zhí)行。

文本文件數(shù)據(jù)處理案例

功能需求

實時監(jiān)聽并獲取本地home/dong/Streamingtext目錄中新生成的文件(文件均為英文文本文件，單詞之間使用空格進行間隔)，并對文件中各單詞出現(xiàn)的次數(shù)進行統(tǒng)計。

代碼實現(xiàn)

 

package dong.spark 
import org.apache.spark.SparkConf 
import org.apache.spark.streaming.{Seconds,StreamingContext} 
import org.apache.spark.streaming.StreamingContext._ 
object StreamingFileWordCount { 
def main(args: Array[String]): Unit ={ 
//以local模式運行，并設定master節(jié)點工作線程數(shù)為2。 
val sparkConf = new SparkConf(). 
setAppName("StreamingFileWordCount"). 
setMaster("local[2]") 
/*創(chuàng)建StreamingContext實例，設定批處理時間間隔為20秒。*/ 
val ssc = new StreamingContext(sparkConf,Seconds(20)) 
/*指定數(shù)據(jù)源來自本地home/dong/Streamingtext。*/ 
val lines = ssc.textFileStream("/home/dong/Streamingtext") 
/*在每個批處理時間間隔內，對指定文件夾中變化的數(shù)據(jù)進行單詞統(tǒng)計并打印。*/ 
val words= lines.flatMap(_.split(" ")) 
val wordcounts=words.map(x=>(x,1)).reduceByKey(_+_) 
wordcounts.print() 
ssc.start() 
ssc.awaitTermination() 
} 
} 

運行演示

第1步，啟動Hadoop與Spark。

 

$ start-all.sh  
$ cd spark-1.4.0-bin-hadoop2.4  
$ sbin/start-all.sh 

第2步，創(chuàng)建Streaming監(jiān)控目錄。

$ mkdir /home/dong/Streamingtext 

在dong用戶主目錄下創(chuàng)建Streamingtext為Spark Streaming監(jiān)控的目錄，創(chuàng)建后如圖6所示。

圖6 dong用戶主目錄下創(chuàng)建Streamingtext文件夾

第3步，在IntelliJ IDEA中編輯運行Streaming程序。在IntelliJ IDEA中創(chuàng)建工程StreamingFileWordCount，編輯對象StreamingFileWordCount，如圖7所示。

圖7 IntelliJ IDEA中StreamingFileWordCount示意圖

由于該示例沒有輸入參數(shù)，因此不需要配置參數(shù)，可直接單擊右鍵->單擊"Run‘StreamingFileWordCount’ "。

第4步，在監(jiān)聽目錄下創(chuàng)建文本文件。在master節(jié)點上的/home/dong/Streamingtext中分別創(chuàng)建file1.txt與file2.txt。

file1.txt內容如下：

• aa
• bb

file2.txt內容如下：

• ee
• dd
• cc

創(chuàng)建后，/home/dong/Streamingtext中內容如圖8所示。

圖8 Streamingtext文件夾內容示意圖

查看結果

終端窗口輸出了每個批處理時間間隔(20秒)內，/home/dong/Streamingtext中新生成文件所包含的各單詞個數(shù)，如圖9所示。

圖9 StreamingFileWordCount運行結果示意圖

網絡數(shù)據(jù)處理案例

功能需求

監(jiān)聽本地節(jié)點指定端口傳輸?shù)臄?shù)據(jù)流(本案例為master節(jié)點9999端口的英文文本數(shù)據(jù)，以逗號間隔單詞)，每5秒統(tǒng)計一次該時間間隔內收集到的各單詞的個數(shù)。

代碼實現(xiàn)

本案例涉及數(shù)據(jù)流模擬器和分析器兩部分。為了更接近真實的網絡環(huán)境，首先定義數(shù)據(jù)流模擬器，該模擬器以Socket方式監(jiān)聽網絡中指定節(jié)點上的指定端口號(master節(jié)點9999端口)，當外部程序通過該端口連接并請求數(shù)據(jù)時，數(shù)據(jù)流模擬器將定時地從指定文本文件中隨機選取數(shù)據(jù)發(fā)送至指定端口(每間隔1秒鐘數(shù)據(jù)流模擬器從master節(jié)點上的/home/dong/Streamingtext/file1.txt中隨機截取一行文本發(fā)送給master節(jié)點的9999端口)，通過這種方式模擬網絡環(huán)境下源源不斷的數(shù)據(jù)流。針對獲取到的實時數(shù)據(jù)，再定義分析器(Spark Streaming應用程序)，用以統(tǒng)計時間間隔(5秒)內收集到的單詞個數(shù)。

數(shù)據(jù)流模擬器代碼實現(xiàn)如下：

 

package dong.spark 
import java.io.{PrintWriter} 
import java.net.ServerSocket 
import scala.io.Source 
objectSocketSimulation { 
//定義隨機獲取整數(shù)的方法。 
def index(length: Int)={ 
import java.util.Random 
val rdm = new Random 
rdm.nextInt(length) 
} 
def main(args:Array[String]): Unit ={ 
if(args.length!=3){ 
/*調用數(shù)據(jù)流模擬器需要三個參數(shù)：文件路徑、端口號和批處理時間間隔時間（單位：毫秒）。*/ 
System.err.println("Usage:<filename><port><millisecond>") 
System.exit(1) 
} 
//獲取指定文件總的行數(shù)。 
val filename = args(0) 
val lines = Source.fromFile(filename).getLines().toList 
val filerow=lines.length 
//指定監(jiān)聽參數(shù)args(1)指定的端口，當外部程序請求時建立連接。 
val listener =new ServerSocket(args(1).toInt) 
while(true){ 
val socket = listener.accept() 
new Thread(){ 
override def run={ 
println("Got client connected from:"+socket.getInetAddress) 
val out = new PrintWriter(socket.getOutputStream(),true) 
while(true){ 
Thread.sleep(args(2).toLong) 
//當該端口接受請求時，隨機獲取某行數(shù)據(jù)發(fā)送給對方。 
val content= lines(index(filerow)) 
println(content) 
out.write(content+'\n') 
out.flush() 
} 
socket.close() 
} 
}.start() 
} 
} 
} 

分析器代碼如下：

 

package dong.spark 
import org.apache.spark.streaming.{Milliseconds,Seconds, StreamingContext} 
import org.apache.spark.streaming.StreamingContext._ 
import org.apache.spark.storage.StorageLevel 
object NetworkWordCount { 
def main (args:Array[String]) ={ 
//以local模式運行，并設定master節(jié)點工作線程數(shù)為2。 
val conf=new SparkConf().setAppName("NetworkWordCount"). 
setMaster("local[2]") 
val sc=new SparkContext(conf) 
val ssc=new StreamingContext(sc, Seconds(5)) 
/*通過socketTextStream獲取指定節(jié)點指定端口的數(shù)據(jù)創(chuàng)建DStream，并保存在內存和硬盤中，其中節(jié)點與端口分別對應參數(shù)args(0)和args(1)。*/ 
 
val lines=ssc.socketTextStream(args(0), 
args(1).toInt, 
StorageLevel.MEMORY_AND_DISK_SER) 
//在每個批處理時間間隔內對獲取到的數(shù)據(jù)進行單詞統(tǒng)計并且打印。 
val words= lines.flatMap(_.split(",")) 
val wordcounts = words.map(x=>(x,1)).reduceByKey(_+_) 
wordcounts.print() 
ssc.start() 
ssc.awaitTermination() 
} 
} 

運行演示

第1步，在IntelliJ IDEA中編輯運行Streaming程序。master節(jié)點啟動IntelliJ IDEA，創(chuàng)建工程NetworkWordCount，編輯模擬器與分析器。模擬器如圖10所示，分析器如圖11所示。

圖10 IntelliJ IDEA中數(shù)據(jù)流模擬器示意圖

圖11 IntelliJ IDEA中分析器示意圖

第2步，創(chuàng)建模擬器數(shù)據(jù)源文件。在master節(jié)點創(chuàng)建/home/dong/Streamingtext目錄，在其中創(chuàng)建文本文件file1.txt。

file1.txt內容如下：

• spark,
• hello,
• hbase,
• world,

第3步，打包數(shù)據(jù)流模擬器。打包過程詳見本書4.3.3節(jié)。在Artifacts打包配置界面中，根據(jù)用戶實際scala安裝目錄，在Class Path中添加下述scala依賴包，如圖12所示。

 

/usr/scala-2.10.4/lib/scala-swing.jar 
/usr/scala-2.10.4/lib/scala-library.jar 
/usr/scala-2.10.4/lib/scala-actors.jar 

 

圖12 在Class Path中添加scala依賴包

打包后在主目錄下生成NetworkWordCount.jar，如圖13所示。

圖13 在dong用戶主目錄下生成NetworkWordCount.jar示意圖

第4步，啟動數(shù)據(jù)流模擬器。在master節(jié)點開啟控制終端，通過下面代碼啟動數(shù)據(jù)流模擬器。

$ java -cp /home/dong/NetworkWordCount.jar dong.spark.SocketSimulation/ home/dong/Streamingtest/file1.txt 9999 1000 

數(shù)據(jù)流模擬器每間隔1000毫秒從/home/dong/Streamingtext/file1.txt中隨機截取一行文本發(fā)送給master節(jié)點的9999端口。在分析器未連接時，數(shù)據(jù)流模擬器處于阻塞狀態(tài)，終端不會顯示輸出的文本。

第5步，運行分析器。在master上啟動IntelliJ IDEA編寫分析器代碼，然后單擊菜單"Build->"Build Artifacts"，通過Application選項配置分析器運行所需的參數(shù)，其中Socket主機名為master、端口號為9999，參數(shù)之間用空格間隔，如圖13所示。

圖13 分析器參數(shù)配置示意圖

配置好參數(shù)后返回IntelliJ IDEA菜單欄，單擊"Run"->"Build Artifacts"運行分析器。

查看結果

第1步，在master上查看數(shù)據(jù)流模擬器運行情況。IntelliJ IDEA運行分析器從而與數(shù)據(jù)流模擬器建立連接。當檢測到外部連接時，數(shù)據(jù)流模擬器將每隔1000毫秒從/home/dong/Streamingtext/file1.txt中隨機截取一行文本發(fā)送給master節(jié)點上的9999端口。為方便講解和說明，file1.txt中每一行只包含一個單詞，因此數(shù)據(jù)流模擬器每次僅發(fā)送一個單詞給端口，如圖14所示。

圖14 在master上模擬器運行結果

第2步，在master的IntelliJ IDEA中查看分析器運行情況。在IntelliJ IDEA的運行日志窗口中，可以觀察到統(tǒng)計結果。通過分析可知Spark Streaming每個批處理時間間隔內獲取的單詞數(shù)為5，剛好是5秒內發(fā)送單詞的總數(shù)，并對各單詞進行了統(tǒng)計，如圖15所示。

圖15 IntelliJ IDEA中分析器運行結果

stateful應用案例

在很多數(shù)據(jù)流相關的實際應用場景中，對當前數(shù)據(jù)的統(tǒng)計分析需要借助于先前的數(shù)據(jù)處理結果完成。例如電商每間隔10分鐘統(tǒng)計某一商品當前累計銷售總額、車站每隔3小時統(tǒng)計當前客流總量，等等。此類應用需求可借助于Spark Streaming的有狀態(tài)轉換操作實現(xiàn)。

功能需求

監(jiān)聽網絡中某節(jié)點上指定端口傳輸?shù)臄?shù)據(jù)流(slave1節(jié)點9999端口的英文文本數(shù)據(jù)，以逗號間隔單詞)，每5秒分別統(tǒng)計各單詞的累計出現(xiàn)次數(shù)。

代碼實現(xiàn)

本案例功能的實現(xiàn)涉及數(shù)據(jù)流模擬器和分析器兩部分。

分析器代碼：

 

package dong.spark 
import org.apache.spark.{SparkContext, SparkConf} 
import org.apache.spark.streaming.{Milliseconds,Seconds, StreamingContext} 
import org.apache.spark.streaming.StreamingContext._ 
object StatefulWordCount { 
def main(args:Array[String]): Unit ={ 
/*定義更新狀態(tài)方法，參數(shù)values為當前批處理時間間隔內各單詞出現(xiàn)的次數(shù)，state為以往所有批次各單詞累計出現(xiàn)次數(shù)。*/ 
val updateFunc=(values: Seq[Int],state:Option[Int])=>{ 
val currentCount=values.foldLeft(0)(_+_) 
val previousCount=state.getOrElse(0) 
Some(currentCount+previousCount) 
} 
val conf=new SparkConf(). 
setAppName("StatefulWordCount"). 
 
setMaster("spark://192.168.149.132:7077") 
val sc=new SparkContext(conf) 
//創(chuàng)建StreamingContext，Spark Steaming運行時間間隔為5秒。 
val ssc=new StreamingContext(sc, Seconds(5)) 
/*使用updateStateByKey時需要checkpoint持久化接收到的數(shù)據(jù)。在集群模式下運行時，需要將持久化目錄設為HDFS上的目錄。*/ 
ssc.checkpoint("hdfs://master:9000/user/dong/input/StatefulWordCountlog") 
/*通過Socket獲取指定節(jié)點指定端口的數(shù)據(jù)創(chuàng)建DStream，其中節(jié)點與端口分別由參數(shù)args(0)和args(1)給出。*/ 
val lines=ssc.socketTextStream(args(0),args(1).toInt) 
val words=lines.flatMap(_.split(",")) 
val wordcounts=words.map(x=>(x,1)) 
//使用updateStateByKey來更新狀態(tài)，統(tǒng)計從運行開始以來單詞總的次數(shù)。 
val stateDstream=wordcounts.updateStateByKey[Int](updateFunc) 
stateDstream.print() 
ssc.start() 
ssc.awaitTermination() 
} 
} 

運行演示

第1步，slave1節(jié)點啟動數(shù)據(jù)流模擬器。

第2步，打包分析器。master節(jié)點啟動IntelliJ IDEA創(chuàng)建工程StatefulWordCount編輯分析器，如圖16所示，并將分析器直接打包至master節(jié)點dong用戶的主目錄下，如圖17所示。

圖16 IntelliJ IDEA中StatefulWordCount示意圖

圖17 master上的StatefulWordCount.jar示意圖

第3步，運行分析器。在master節(jié)點開啟終端，通過下面代碼向Spark集群提交應用程序。

$ bin/spark-submit ~/StatefulWordCount.jar slave1 9999 

查看結果

第1步，查看slave1上數(shù)據(jù)流模擬器運行情況。分析器在集群上提交運行后與slave1上運行的數(shù)據(jù)流模擬器建立連接。當檢測到外部連接時，數(shù)據(jù)流模擬器將每隔1000毫秒從/home/dong/Streamingtext/file1.txt中隨機截取一行文本發(fā)送給slave1節(jié)點上的9999端口。由于該文本文件中每一行只包含一個單詞，因此每秒僅發(fā)送一個單詞給端口。如圖18所示。

圖18 slave1上數(shù)據(jù)流模擬器運行示意圖

第2步，查看master上分析器運行情況。在master節(jié)點的提交窗口中可以查看到統(tǒng)計結果，如圖19所示。

圖19 master上分析器運行示意圖

圖中表明截至147920770500ms分析器共接收到14個單詞，其中"spark"累計出現(xiàn)3次，"hbase"累計出現(xiàn)5次，"hello"累計出現(xiàn)3次，"world"累計出現(xiàn)3次。由于批處理時間間隔是5s，模擬器每1秒發(fā)送1個單詞，使得分析器在5s內共接收到5個單詞，因此截止至147920771000ms，分析器共收到19個單詞，其中"spark"累計出現(xiàn)5次，"hbase"累計出現(xiàn)7次，"hello"累計出現(xiàn)4次，"world"累計出現(xiàn)3次。

第3步，查看HDFS中持久化目錄。運行后查看HDFS上的持久化目錄/user/dong/input/StatefulWordCountlog，如圖20所示。Streaming應用程序將接收到的網絡數(shù)據(jù)持久化至該目錄下，便于容錯處理。

圖20 HDFS上持久化目錄示意圖

window應用案例

在實際生產環(huán)境中，與窗口相關的應用場景很常見，例如電商每間隔10分鐘小時統(tǒng)計某一商品前30分鐘內累計銷售總額、車站每隔1小時統(tǒng)計前3個小時內的客流量等，此類需求可借助Spark Streaming中的window相關操作實現(xiàn)。window應用案例同時涉及批處理時間間隔、窗口時間間隔與滑動時間間隔。

功能需求

監(jiān)聽網絡中某節(jié)點上指定端口傳輸?shù)臄?shù)據(jù)流(slave1節(jié)點上9999端口的英文文本數(shù)據(jù)，以逗號間隔單詞)，每10秒統(tǒng)計前30秒各單詞累計出現(xiàn)的次數(shù)。

代碼實現(xiàn)

本例功能的實現(xiàn)涉及數(shù)據(jù)流模擬器和分析器兩部分。

分析器代碼：

 

package dong.spark 
import org.apache.spark.{SparkContext, SparkConf} 
import org.apache.spark.streaming.StreamingContext._ 
import org.apache.spark.streaming._ 
import org.apache.spark.storage.StorageLevel 
object WindowWordCount { 
def main(args:Array[String]) ={ 
val conf=new SparkConf().setAppName("WindowWordCount"). 
setMaster("spark://192.168.149.132:7077") 
val sc=new SparkContext(conf) 
val ssc=new StreamingContext(sc, Seconds(5)) 
ssc.checkpoint("hdfs://master:9000/user/dong/WindowWordCountlog") 
val lines=ssc.socketTextStream( args(0), 
args(1).toInt, 
StorageLevel.MEMORY_ONLY_SER) 
val words= lines.flatMap(_.split(",")) 
/*采用reduceByKeyAndWindow操作進行疊加處理，窗口時間間隔與滑動時間間隔分別由參數(shù)args(2)和args(3)給出。*/ 
val wordcounts=words.map(x=>(x,1)). 
reduceByKeyAndWindow((a:Int,b:Int)=>(a+b),Seconds(ar 
gs(2).toInt),Seconds(args(3).toInt)) 
wordcounts.print() 
ssc.start() 
ssc.awaitTermination() 
} 
} 

運行演示

第1步，slave1節(jié)點啟動數(shù)據(jù)流模擬器。

第2步，打包分析器。在master節(jié)點啟動IntelliJ IDEA創(chuàng)建工程WindowWordCount編輯分析器，如圖21，并將分析器直接打包至master節(jié)點dong用戶的主目錄下，如圖22所示。

圖21 IntelliJ IDEA中WindowWordCount示意圖

圖22 master上WindowWordCount.jar示意圖

第3步，運行分析器。在master節(jié)點開啟終端，通過下面代碼向Spark集群提交應用程序。

$ bin/spark-submit ~/WindowWordCount.jar slave1 9999 30 10 

查看結果

第1步 在slave1上查看數(shù)據(jù)流模擬器運行情況。分析器在集群上提交運行后與slave1上運行的數(shù)據(jù)流模擬器建立連接。當檢測到外部連接時，數(shù)據(jù)流模擬器將每隔1000毫秒從/home/dong/Streamingtext/file1.txt中隨機截取一行文本發(fā)送給slave1節(jié)點的9999端口。由于該文本文件中每一行只包含一個單詞和一個逗號，因此每秒僅發(fā)送一個單詞和一個逗號給端口，如圖23所示。

圖23 在slave1上數(shù)據(jù)流模擬器運行示意圖

第2步，在master上查看分析器運行情況。在master節(jié)點的提交窗口中可以查看到統(tǒng)計結果。在WindowWordCount應用程序啟動初期，窗口并沒有被接收到的單詞填滿，但隨著時間的推進，每個窗口中的單詞數(shù)目最終固定為30個。圖7.35只是截取了運行結果中的三個批次。由于設定了窗口時間間隔是30s，滑動時間間隔是10s，且數(shù)據(jù)流模擬器每間隔1s發(fā)送一個單詞，因此WindowWordCount每間隔10s對過去30s內收到的各單詞個數(shù)進行統(tǒng)計。圖24中截至1479276925000ms分析器對過去30s內收到的30個單詞進行統(tǒng)計，其中"spark"累計出現(xiàn)5次，"hbase"累計出現(xiàn)8次，"hello"累計出現(xiàn)9次，"world"累計出現(xiàn)8次。再間隔10s，截至1479276935000ms，分析器對過去30s內收到的30個單詞進行統(tǒng)計，其中"spark"累計出現(xiàn)8次，"hbase"累計出現(xiàn)9次，"hello"累計出現(xiàn)7次，"world"累計出現(xiàn)6次。

圖24 在master上分析器運行示意圖

第3步，查看持久化數(shù)據(jù)。運行后查看HDFS上的持久化目錄/user/dong/input/WindowWordCountlog，如圖25所示。Streaming應用程序將接收到的網絡數(shù)據(jù)持久化至該目錄下，便于容錯處理。

圖25 HDFS上持久化目錄示意圖

性能考量

在開發(fā)Spark Streaming應用程序時，要結合集群中各節(jié)點的配置情況盡可能地提高數(shù)據(jù)處理的實時性。在調優(yōu)的過程中，一方面要盡可能利用集群資源來減少每個批處理的時間;另一方面要確保接收到的數(shù)據(jù)能及時處理掉。

運行時間優(yōu)化

設置合理的批處理時間和窗口大小

Spark Streaming中作業(yè)之間通常存在依賴關系，后面的作業(yè)必須確保前面的作業(yè)執(zhí)行結束后才能提交，若前面的作業(yè)的執(zhí)行時間超過了設置的批處理時間間隔，那么后續(xù)的作業(yè)將無法按時提交執(zhí)行，造成作業(yè)的堵塞。也就是說若想Spark Streaming應用程序穩(wěn)定地在集群中運行，對于接收到的數(shù)據(jù)必須盡快處理掉。例如若設定批處理時間為1秒鐘，那么系統(tǒng)每1秒鐘生成一個RDD，如果系統(tǒng)計算一個RDD的時間大于1秒，那么當前的RDD還沒來得及處理，后續(xù)的RDD已經提交上來在等待處理了，這就產生了堵塞。因此需要設置一個合理的批處理時間間隔以確保作業(yè)能夠在這個批處理時間間隔時間內結束。許多實驗數(shù)據(jù)表明，500毫秒對大多Spark Streaming應用而言是較好的批處理時間間隔。

類似地，對于窗口操作，滑動時間間隔對于性能也有很大的影響。當單批次數(shù)據(jù)計算代價過高時，可以考慮適當增大滑動時間間隔。

對于批處理時間和窗口大小的設定，并沒有統(tǒng)一的標準。通常是先從一個比較大的批處理時間(10秒左右)開始，然后不斷地使用更小的值進行對比測試。如果Spark Streaming用戶界面中顯示的處理時間保持不變，則可以進一步設定更小的值;如果處理時間開始增加，則可能已經達到了應用的極限，再減小該值則可能會影響系統(tǒng)的性能。

提高并行度

提高并行度也是一種減少批處理所消耗時間的常見方法。有以下三種方式可以提高并行度。一種方法是增加接收器數(shù)目。如果獲取的數(shù)據(jù)太多，則可能導致單個節(jié)點來不及對數(shù)據(jù)進行讀入與分發(fā)，使得接收器成為系統(tǒng)瓶頸。這時可以通過創(chuàng)建多個輸入DStream來增加接收器數(shù)目，然后再使用union來把數(shù)據(jù)合并為一個數(shù)據(jù)源。第二種方法是將收到的數(shù)據(jù)顯式地重新分區(qū)。如果接收器數(shù)目無法再增加，可以通過使用DStream.repartition、spark.streaming.blocklnterval等參數(shù)顯式地對Dstream進行重新分區(qū)。第三種方法是提高聚合計算的并行度。對于會導致shuffle的操作，例如reduceByKey、reduceByKeyAndWindow等操作，可通過顯示設置更高的行度參數(shù)確保更為充分地使用集群資源。

內存使用與垃圾回收

控制批處理時間間隔內的數(shù)據(jù)量

Spark Streaming會把批處理時間間隔內獲取到的所有數(shù)據(jù)存放在Spark內部可用的內存中。因此必須確保在當前節(jié)點上SparkStreaming可用的內存容量至少能容下一個批處理時間間隔內所有的數(shù)據(jù)。比如一個批處理時間間隔是1秒，但是1秒產生了1GB的數(shù)據(jù)，那么要確保當前的節(jié)點上至少有可供SparkStreaming使用的1GB內存。

及時清理不再使用的數(shù)據(jù)

對于內存中處理過的、不再需要的數(shù)據(jù)應及時清理，以確保Spark Streaming能夠擁有足夠的內存空間可以使用。一種方法是可以通過設置合理的spark.cleaner.ttl時長來及時清理超時的無用數(shù)據(jù)，但該方法應慎重使用，以免后續(xù)數(shù)據(jù)在需要時被錯誤清理。另一種方法是將spark.streaming.unpersist設置為true，系統(tǒng)將自動清理已經不需要的RDD。該方法能顯著減少RDD對內存的需要，同時潛在地提高GC的性能。此外用戶還可以通過配置參數(shù)streamingContext.remember為數(shù)據(jù)設置更長的保留時間。

減少序列化與反序列化的負擔

SparkStreaming默認將接收到的數(shù)據(jù)序列化后放入內存，以減少內存使用。序列化和反序列化需要更多的CPU資源，因此使用適當?shù)男蛄谢ぞ?例如Kryo)和自定義的序列化接口可以更高效地使用CPU。除了使用更好的序列化工具外還可以結合壓縮機制，通過配置spark.rdd.compress，以CPU的時間開銷來換取內存資源，降低GC開銷。