1 首先是官网:
http://spark.apache.org/docs/latest/structured-streaming-programming-guide.ht
2.注意官方文档中的着重表示的地方例如(黑体加重,斜体等)
我们都知道spark streaming 是基于spark core API
那Structed Streaming基于的是什么?
没错就是Spark SQL。 所以DataFrame/DataSet API 包括hive的一些functions 不要太好用哦!!!
下面这句话:“you can express your streaming computaion the same way
you would express a batch computation on a static data”
就保证了我们在实际开发时的成本比较低,当我们在开发一个的应用中包含流计算和批计算。
3.特点:
可扩展性,容错性(这都是必备的好吗?)
精确的一次语义
低延迟
4.关键点:
Continuously processing
databricks的blog上这篇文章写的也很好 https://databricks.com/blog/2016/07/28/continuous-applications-evolving-streaming-in-apache-spark-2-0.html
5.做到了端到端
延时1ms时能保证至at least one 的语义
延时100ms左右时,能做到 exactly once。
6.然后就是流与其他的各种join, watermark的引入,总之和flink 相互发展促进。
Finally:最后贴一个小的 案例:
object testSSApp extends App {
val spark: SparkSession = SparkSession.builder().appName("baidu").master("local[2]").getOrCreate()
// 结构化流
private val read = spark.readStream.format("kafka")
.option("kafka.bootstrap.servers", "host1:port1,host2:port2")
.option("subscribe", "topic1")
.option("maxOffsetperTrigger", "1000000")
.option("kafkaConsumer.pollTimeoutMs", "1000")
.load()
//读取的kafak 数据为json格式
val result = read.selectExpr("CAST(value AS STRING)")
.select(
get_json_object(col("value"), path = "$.uri").alias("uri"),
get_json_object(col("value"), path = "$.market").alias("market")
).groupBy(window(col("timestamp"),"5min","1min"),
col("shop"))
.agg(count("market").alias("uv"),
approx_count_distinct("uri").alias("pv")).select("*")
val query = result.writeStream.trigger(Trigger.ProcessingTime(10000)).outputMode("Update")
.format("console").start()
//这里展示以console输出,实际中是回写到kafak或者外部存储。
query.awaitTermination()
}