Spark入门：Spark Streaming 概览

概览

Spark Streaming是Spark API的一个可横向扩容，高吞吐量，容错的实时数据流处理引擎，Spark能够从Kafka、Flume、Kinesis或者TCP等等输入获取数据，然后能够使用复杂的计算表达式如map,reduce,join和window对数据进行计算。计算完后的数据能够被推送到文件系统，数据库，和实时的仪表盘。另外，你也可以使用Spark ML和图计算处理实时数据流。

Spark Streaming接受到了实时数据后，把它们分批进行切割，然后再交给Spark进行数据的批量处理。

Spark Streaming对离散化的数据流提供了高级别的抽象DStream，所有进入的数据流都会被处理为DStreams，在内部，DStream是一个顺序排列的RDD。

快速起步

第一个实例是如何从TCP输入中计算单词出现的次数

首先，我们创建一个JavaStreamingContext对象，它是所有Streaming函数的主入口，再创建一个带有2个线程的StreamingContext对象，每1秒进行一次批处理。

1. import org.apache.spark.*; 
2. import org.apache.spark.api.java.function.*; 
3. import org.apache.spark.streaming.*; 
4. import org.apache.spark.streaming.api.java.*; 
5. import scala.Tuple2; 
6.  
7. SparkConf conf = new SparkConf().setMaster("local[2]").setAppName("NetworkWordCount"); 
8. JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(1)); 

创建一个侦听本地9999的TCP数据源

1. JavaReceiverInputDStream<String> lines = jssc.socketTextStream("localhost", 9999); 

我们把接受到的数据按照空格进行切割

1. JavaDStream<String> words = lines.flatMap(x -> Arrays.asList(x.split(" ")).iterator()); 

对单词进行统计

1. JavaPairDStream<String, Integer> pairs = words.mapToPair(s -> new Tuple2<>(s, 1)); 
2. JavaPairDStream<String, Integer> wordCounts = pairs.reduceByKey((i1, i2) -> i1 + i2);  
3. wordCounts.print(); 

把字符串拍扁->映射->进行去重统计，最后调用print函数把数据打印到控制台中

1. jssc.start();              // Start the computation 
2. jssc.awaitTermination();   // Wait for the computation to terminate 

最后，启动整个计算过程

为了完成这次实验，还需要使用nc作为Server进行配合

1. nc -lk 9999 

Spark提供了示例，可以使用 ./bin/run-example streaming.JavaNetworkWordCount localhost 9999 来体验WordCount

本文作者：小埋酱

来源：51CTO