Spark _29_SparkStreaming初始
SparkStreaming简介
SparkStreaming是流式处理框架,是Spark API的扩展,支持可扩展、高吞吐量、容错的实时数据流处理,实时数据的来源可以是:Kafka, Flume, Twitter, ZeroMQ或者TCP sockets,并且可以使用高级功能的复杂算子来处理流数据。例如:map,reduce,join,window 。最终,处理后的数据可以存放在文件系统,数据库等,方便实时展现。
SparkStreaming与Storm的区别
- Storm是纯实时的流式处理框架,SparkStreaming是准实时的处理框架(微批处理)。因为微批处理,SparkStreaming的吞吐量比Storm要高。
- Storm 的事务机制要比SparkStreaming的要完善。
- Storm支持动态资源调度。(spark1.2开始和之后也支持)
- SparkStreaming擅长复杂的业务处理,Storm不擅长复杂的业务处理,擅长简单的汇总型计算。
SparkStreaming初始
- SparkStreaming初始理解
注意:
- receiver task是7*24小时一直在执行,一直接受数据,将一段时间内接收来的数据保存到batch中。假设batchInterval为5s,那么会将接收来的数据每隔5秒封装到一个batch中,batch没有分布式计算特性,这一个batch的数据又被封装到一个RDD中,RDD最终封装到一个DStream中。
例如:假设batchInterval为5秒,每隔5秒通过SparkStreaming将得到一个DStream,在第6秒的时候计算这5秒的数据,假设执行任务的时间是3秒,那么第6~9秒一边在接收数据,一边在计算任务,9~10秒只是在接收数据。然后在第11秒的时候重复上面的操作。
- 如果job执行的时间大于batchInterval会有什么样的问题?
如果接受过来的数据设置的级别是仅内存,接收来的数据会越堆积越多,最后可能会导致OOM(如果设置StorageLevel包含disk, 则内存存放不下的数据会溢写至disk, 加大延迟 )。
SparkStreaming代码
代码注意事项:
- 启动socket server 服务器:nc –lk 9999
- receiver模式下接受数据,local的模拟线程必须大于等于2,一个线程用来receiver用来接受数据,另一个线程用来执行job。
- Durations时间设置就是我们能接收的延迟度。这个需要根据集群的资源情况以及任务的执行情况来调节。
- 创建JavaStreamingContext有两种方式(SparkConf,SparkContext)
- 所有的代码逻辑完成后要有一个output operation类算子。
- JavaStreamingContext.start() Streaming框架启动后不能再次添加业务逻辑。
- JavaStreamingContext.stop() 无参的stop方法将SparkContext一同关闭,stop(false),不会关闭SparkContext。
- JavaStreamingContext.stop()停止之后不能再调用start。
javaAPI:
SparkConf conf = new SparkConf().setMaster("local[2]").setAppName("WordCountOnline");
/*** 在创建streaminContext的时候 设置batch Interval*/
JavaStreamingContext jsc = new JavaStreamingContext(conf, Durations.seconds(5));JavaReceiverInputDStream<String> lines = jsc.socketTextStream("node5", 9999);JavaDStream<String> words = lines.flatMap(new FlatMapFunction<String, String>() {/*** */private static final long serialVersionUID = 1L;@Overridepublic Iterable<String> call(String s) {return Arrays.asList(s.split(" "));}
});JavaPairDStream<String, Integer> ones = words.mapToPair(new PairFunction<String, String, Integer>() {/*** */private static final long serialVersionUID = 1L;@Overridepublic Tuple2<String, Integer> call(String s) {return new Tuple2<String, Integer>(s, 1);}
});JavaPairDStream<String, Integer> counts = ones.reduceByKey(new Function2<Integer, Integer, Integer>() {/*** */private static final long serialVersionUID = 1L;@Overridepublic Integer call(Integer i1, Integer i2) {return i1 + i2;}
});//outputoperator类的算子 counts.print();jsc.start();//等待spark程序被终止jsc.awaitTermination();jsc.stop(false);
scalaAPI:
package com.sparkStreamingimport org.apache.spark.streaming.{Durations, StreamingContext}
import org.apache.spark.{SparkConf, SparkContext}object StreamTest {def main(args: Array[String]): Unit = {//在这里将local线程设置两个,否则会只能接受数据,无法处理val conf = new SparkConf().setMaster("local[2]").setAppName("st")
// val sc = new SparkContext(conf)val ssc = new StreamingContext(conf,Durations.seconds(5))
// new StreamingContext(sc,Durations.seconds(5))ssc.sparkContext.setLogLevel("error")val lines = ssc.socketTextStream("henu1",9999)val words = lines.flatMap(one => {one.split(" ")})val map = words.map(one => {(one,1)})val result = map.reduceByKey(_+_)result.print(100)ssc.start()ssc.awaitTermination()ssc.stop()}
}
【注】启动前先在对应虚拟机启动
[root@henu1 ~]# nc -lk 9999
如果没有nc。下载
[root@henu1 ~]# yum install -y nc
再执行 nc -lk 9999
否则报错:
然后在linux端输入字段:
idea端:
在浏览器输入localhost:4040,看其UI页面:
具体就不多说了。
Spark _29_SparkStreaming初始相关推荐
- 【核心API开发】Spark入门教程[3]
本教程源于2016年3月出版书籍<Spark原理.机制及应用> ,在此以知识共享为初衷公开部分内容,如有兴趣,请支持正版书籍. Spark综合了前人分布式数据处理架构和语言的优缺点,使用简 ...
- 【Spark篇】---SparkStream初始与应用
一.前述 SparkStreaming是流式处理框架,是Spark API的扩展,支持可扩展.高吞吐量.容错的实时数据流处理,实时数据的来源可以是:Kafka, Flume, Twitter, Zer ...
- 【Spark篇】---Spark初始
一.前述 Spark是基于内存的计算框架,性能要优于Mapreduce,可以实现hadoop生态圈中的多个组件,是一个非常优秀的大数据框架,是Apache的顶级项目.One stack rule ...
- 2021年大数据Spark(五十二):Structured Streaming 事件时间窗口分析
目录 事件时间窗口分析 时间概念 event-time 延迟数据处理 延迟数据 Watermarking 水位 官方案例演示 事件 ...
- 2021年大数据Spark(十五):Spark Core的RDD常用算子
目录 常用算子 基本算子 分区操作函数算子 重分区函数算子 1).增加分区函数 2).减少分区函数 3).调整分区函数 聚合函数算子 Scala集合中的聚合函数 ...
- spark—3(Spark Scheduler)
2019独角兽企业重金招聘Python工程师标准>>> Spark的核心是根据RDD来实现的,Spark Scheduler则为Spark核心实现的重要一环,其作用就是任务调度.Sp ...
- Spark菜鸟学习营Day5 分布式程序开发
Spark菜鸟学习营Day5 分布式程序开发 这一章会和我们前面进行的需求分析进行呼应,完成程序的开发. 开发步骤 分布式系统开发是一个复杂的过程,对于复杂过程,我们需要分解为简单步骤的组合. 针对每 ...
- 9.spark core之共享变量
简介 spark执行操作时,可以使用驱动器程序Driver中定义的变量,但有时这种默认的使用方式却并不理想. 集群中运行的每个任务都会连接驱动器获取变量.如果获取的变量比较大,执行效率会非常低下. ...
- spark算子_Spark常用算子
Spark的算子分类: 从大方向说,Spark算子大致可以分为以下两类: (1)Transformation变换/转换算子:这种变换并不触发提交作业,这种算子是延迟执行的,也就是说从一个RDD转换生成 ...
最新文章
- Hibernate一级缓存
- 安装docker-compose for linux
- 图解Win32汇编字符串和Debug输出
- ES6新特性之字符串扩展
- Redis进阶实践之十六 Redis大批量增加数据
- Linux内存管理:内存分配:slab分配器
- java.Net.UnknownHostException异常
- 服务器端性能优化之CDN
- 走迷宫问题 算法竞赛入门经典
- Java 技术体系(JDK 与 JRE 的关系)、POJO 与 JavaBeans
- MindManager 2020注册机下载
- 曝光!中国知名互联网公司背后的风投
- 甲骨文提供非常良心的永久免费云主机空间
- js插件之今日诗词、每日一言
- 综合实验:LVS+LAMP+NFS+MySQL读写分离
- 将你的现实生活照片变成卡通头像
- 《惢客创业日记》2019.11.28(周四)近者悦,远者来
- 树莓派-微信-网易云音乐播放器
- ttl一会255一会64_TTL=128和TTL=64的不同是什么?
- python中dumps是什么意思_python中的dumps和loads区别
热门文章
- CH - 0701 国王游戏(贪心+高精度运算)
- XgBoost使用及调参教程
- api 微信内置浏览器js_多端开发框架uni-app入坑指南,一套代码适用微信、头条等小程序...
- HDU3892(多项式域欧几里德算法)
- ZJOI2019一试翻车记
- Gh0st 3.6 存在的BUG及修改方法(收集整理)
- 【网络编程】之七、select聊天室
- gh0st源码分析与远控的编写(三)
- 从send函数和sendto函数参数的不同看TCP和UDP的差别
- 如何预编译 Android 模拟器专用内核