SparkStreaming入門：通過socket讀取流資料

開始前的準備

1.因為我們等會要在linux建立一個socket，然後不停的讀入資料，是以首先在linux上開啟一個虛拟機，然後啟動一個端口，指令：nc -lk 9999，此時就建立了一個端口是9999的程序，可以在控制台輸入資料了，如果提示你nc狀态不支援，需要安裝nc,指令是：yum install nc

2.配置hosts檔案，使能夠根據主機名進行通路。

實際操作的代碼如下：

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaSparkContext;
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.api.java.function.VoidFunction;
import org.apache.spark.streaming.Durations;
import org.apache.spark.streaming.api.java.JavaDStream;
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;

import java.util.Arrays;
import java.util.Iterator;

public class SparkStreamingTest {
    public static void main(String[] args) throws Exception{
        SparkConf conf = new SparkConf().setMaster("local[2]").setAppName("SparkStreamingTest");
        JavaSparkContext sc = new JavaSparkContext(conf);

        JavaStreamingContext jsc = new JavaStreamingContext(sc, Durations.seconds(5));
        JavaReceiverInputDStream<String> inputDStream = jsc.socketTextStream("mini1", 9999);
        JavaDStream<String> words = inputDStream.flatMap(new FlatMapFunction<String, String>() {
            @Override
            public Iterator<String> call(String line) throws Exception {
                return Arrays.asList(line.split(" ")).iterator();
            }
        });

        JavaPairDStream<String, Integer> wordMapToPair = words.mapToPair(new PairFunction<String, String, Integer>() {
            @Override
            public Tuple2<String, Integer> call(String word) throws Exception {
                return new Tuple2<>(word, 1);
            }
        });

        JavaPairDStream<String, Integer> dStreamByKey = wordMapToPair.reduceByKey(new Function2<Integer, Integer, Integer>() {
            @Override
            public Integer call(Integer v1, Integer v2) throws Exception {
                return v1 + v2;
            }
        });

        //dStreamByKey.print(1000);
        dStreamByKey.foreachRDD(new VoidFunction<JavaPairRDD<String, Integer>>() {
            @Override
            public void call(JavaPairRDD<String, Integer> rdd) throws Exception {
                //這段代碼是在driver端執行
                JavaPairRDD<String, Integer> pairRDD = rdd.mapToPair(new PairFunction<Tuple2<String, Integer>, String, Integer>() {
                    @Override
                    public Tuple2<String, Integer> call(Tuple2<String, Integer> tuple2) throws Exception {
                        return new Tuple2<>(tuple2._1 + "~", tuple2._2);
                    }
                });

                //必須得有action算子觸發上面的代碼才能執行
                pairRDD.foreach(new VoidFunction<Tuple2<String, Integer>>() {
                    @Override
                    public void call(Tuple2<String, Integer> tuple2) throws Exception {
                        System.out.println(tuple2);
                    }
                });
            }
        });
        //開始監聽，
        jsc.start();
        jsc.awaitTermination();

        //在這裡這段代碼不會停止，即程式會一直執行
        jsc.stop();
    }
}
           

注意點：

1、local的模拟線程數必須大于等于2 因為一條線程被receiver(接受資料的線程)占用，另外一個線程是job執行

2、Durations時間的設定，就是我們能接受的延遲度，這個我們需要根據叢集的資源情況以及監控每一個job的執行時間來調節出最佳時間。

 3、 建立JavaStreamingContext有兩種方式 （sparkconf、sparkcontext）

 4、業務邏輯完成後，需要有一個output operator

5、JavaStreamingContext.start()straming架構啟動之後是不能在次添加業務邏輯

6、JavaStreamingContext.stop()無參的stop方法會将sparkContext一同關閉，stop(false) ,預設為true，會一同關閉

7、JavaStreamingContext.stop()停止之後是不能在調用start