Spark Streaming中的操作函数讲解

清疚 2022-04-10 04:52 279阅读 0赞

**根据根据[Spark][]官方文档中的描述，在Spark Streaming应用中，一个DStream对象可以调用多种操作，主要分为以下几类**

*  **Transformations**
 *  **Window Operations**
 *  **Join Operations**
 *  **Output Operations**

# 一、Transformations #

## 1、map(func) ##

map操作需要传入一个函数当做参数，具体调用形式为

主要作用是，对DStream对象a，将func函数作用到a中的每一个元素上并生成新的元素，得到的DStream对象b中包含这些新的元素。   
　　下面示例代码的作用是，在接收到的一行消息后面拼接一个”\_NEW”字符串

程序运行结果如下：   
　　![这里写图片描述][20160920235613165]   
　　注意与接下来的flatMap操作进行比较。

## 2、flatMap(func) ##

类似于上面的map操作，具体调用形式为

主要作用是，对DStream对象a，将func函数作用到a中的每一个元素上并生成0个或多个新的元素，得到的DStream对象b中包含这些新的元素。

下面示例代码的作用是，在接收到的一行消息lines后，将lines根据空格进行分割，分割成若干个单词

结果如下：   
　　![这里写图片描述][20160921221541230]

## 3、 filter(func) ##

filter传入一个func函数，具体调用形式为

对DStream a中的每一个元素，应用func方法进行计算，如果func函数返回结果为true，则保留该元素，否则丢弃该元素，返回一个新的DStream b。

下面示例代码中，对words进行判断，去除hello这个单词。

结果如下：   
　　![这里写图片描述][20160921221654063]

## 4、union(otherStream) ##

这个操作将两个DStream进行合并，生成一个包含着两个DStream中所有元素的新DStream对象。   
　　下面代码，首先将输入的每一个单词后面分别拼接“\_one”和“\_two”，最后将这两个DStream合并成一个新的DStream

![1139681-20170620131729507-1966604682.png][]

运行结果如下：   
　　![这里写图片描述][20160921222201253]

## 5、count() ##

统计DStream中每个RDD包含的元素的个数，得到一个新的DStream，这个DStream中只包含一个元素，这个元素是对应语句单词统计数值。   
　　以下代码，统计每一行中的单词数

运行结果如下，一行输入4个单词，打印的结果也为4。   
　　![这里写图片描述][20160921222305769]

## 6、reduce(func) ##

返回一个包含一个元素的DStream，传入的func方法会作用在调用者的每一个元素上，将其中的元素顺次的两两进行计算。   
　　下面的代码，将每一个单词用`"-"`符号进行拼接

![1139681-20170620131755273-190378864.png][]

运行结果如下：   
　　![这里写图片描述][20160921222421113]

## 7、countByValue() ##

某个DStream中的元素类型为K，调用这个方法后，返回的DStream的元素为(K, Long)对，后面这个Long值是原DStream中每个RDD元素key出现的频率。   
　　以下代码统计words中不同单词的个数

结果如下：   
　　![这里写图片描述][20160921222518160]

## 8、reduceByKey(func, \[numTasks\]) ##

调用这个操作的DStream是以(K, V)的形式出现，返回一个新的元素格式为(K, V)的DStream。返回结果中，K为原来的K，V是由K经过传入func计算得到的。还可以传入一个并行计算的参数，在local模式下，默认为2。在其他模式下，默认值由参数`spark.default.parallelism`确定。   
　　下面代码将words转化成(word, 1)的形式，再以单词为key，个数为value，进行word count。

![1139681-20170620131833663-527703048.png][]

结果如下，   
　　![这里写图片描述][20160921000132894]

## 9、join(otherStream, \[numTasks\]) ##

由一个DStream对象调用该方法，元素内容为`(k, V)`，传入另一个DStream对象，元素内容为(k, W)，返回的DStream中包含的内容是`(k, (V, W))`。这个方法也可以传入一个并行计算的参数，该参数与reduceByKey中是相同的。   
　　下面代码中，首先将words转化成`(word, (word + "_one"))`和`(word, (word + "_two"))`的形式，再以word为key，将后面的value合并到一起。

![1139681-20170620131851820-904640738.png][]

运行结果如下：   
　　![这里写图片描述][20160921000251223]

## 10、cogroup(otherStream, \[numTasks\]) ##

由一个DStream对象调用该方法，元素内容为(k, V)，传入另一个DStream对象，元素内容为(k, W)，返回的DStream中包含的内容是`(k, (Seq[V], Seq[W]))`。这个方法也可以传入一个并行计算的参数，该参数与reduceByKey中是相同的。   
　下面代码首先将words转化成`(word, (word + "_one"))`和`(word, (word + "_two"))`的形式，再以word为key，将后面的value合并到一起。   
　结果如下：   
　![这里写图片描述][20160921222653489]

## 11、transform(func) ##

在**[Spark-Streaming官方文档][Spark-Streaming]**中提到，DStream的`transform`操作极大的丰富了DStream上能够进行的操作内容。使用transform操作后，除了可以使用DStream提供的一些转换方法之外，还能够直接调用任意的调用RDD上的操作函数。   
　　比如下面的代码中，使用transform完成将一行语句分割成单词的功能。

![1139681-20170620131907085-708916774.png][]

运行结果如下：   
　　![这里写图片描述][20160928214929710]

## 12、updateStateByKey(func) ##

# 二、Window Operations #

我觉得用一个成语，管中窥豹，基本上就能够很形象的解释什么是窗口函数了。DStream数据流就是那只豹子，窗口就是那个管，以一个固定的速率平移，就能够每次看到豹的一部分。   
　　窗口函数，就是在DStream流上，以一个可配置的长度为窗口，以一个可配置的速率向前移动窗口，根据窗口函数的具体内容，分别对当前窗口中的这一波数据采取某个对应的操作算子。需要注意的是窗口长度，和窗口移动速率需要是batch time的整数倍。接下来演示Spark Streaming中提供的主要窗口函数。

## 1、window(windowLength, slideInterval) ##

该操作由一个DStream对象调用，传入一个窗口长度参数，一个窗口移动速率参数，然后将当前时刻当前长度窗口中的元素取出形成一个新的DStream。   
　　下面的代码以长度为3，移动速率为1截取源DStream中的元素形成新的DStream。

![1139681-20170620131922116-806458246.png][]

运行结果如下：   
　　![这里写图片描述][20160921000641960]   
　　基本上每秒输入一个字母，然后取出当前时刻3秒这个长度中的所有元素，打印出来。从上面的截图中可以看到，下一秒时已经看不到a了，再下一秒，已经看不到b和c了。表示a, b, c已经不在当前的窗口中。

## 2、 countByWindow(windowLength,slideInterval) ##

返回指定长度窗口中的元素个数。   
　　代码如下，统计当前3秒长度的时间窗口的DStream中元素的个数：

![1139681-20170620131938976-296398565.png][]

结果如下：   
　　![这里写图片描述][20160921000723320]

## 3、 reduceByWindow(func, windowLength,slideInterval) ##

类似于上面的reduce操作，只不过这里不再是对整个调用DStream进行reduce操作，而是在调用DStream上首先取窗口函数的元素形成新的DStream，然后在窗口元素形成的DStream上进行reduce。   
　　代码如下：

![1139681-20170620131951804-1360609649.png][]

结果如下：   
　　![这里写图片描述][20160921220925613]

## 4、 reduceByKeyAndWindow(func,windowLength, slideInterval, \[numTasks\]) ##

调用该操作的DStream中的元素格式为(k, v)，整个操作类似于前面的reduceByKey，只不过对应的数据源不同，reduceByKeyAndWindow的数据源是基于该DStream的窗口长度中的所有数据。该操作也有一个可选的并发数参数。   
　　下面代码中，将当前长度为3的时间窗口中的所有数据元素根据key进行合并，统计当前3秒中内不同单词出现的次数。

![1139681-20170620132005616-1324949130.png][]

结果如下：   
　　![这里写图片描述][20160921221005233]

## 5、 reduceByKeyAndWindow(func, invFunc,windowLength, slideInterval, \[numTasks\]) ##

这个窗口操作和上一个的区别是多传入一个函数invFunc。前面的func作用和上一个reduceByKeyAndWindow相同，后面的invFunc是用于处理流出rdd的。   
　　在下面这个例子中，如果把3秒的时间窗口当成一个池塘，池塘每一秒都会有鱼游进或者游出，那么第一个函数表示每由进来一条鱼，就在该类鱼的数量上累加。而第二个函数是，每由出去一条鱼，就将该鱼的总数减去一。

![1139681-20170620132036741-708972674.png][]

下面是演示结果，最终的结果是该3秒长度的窗口中历史上出现过的所有不同单词个数都为0。   
　　![这里写图片描述][20160921221055592]   
　　一段时间不输入任何信息，看一下最终结果   
　　![这里写图片描述][20160921221113702]

## 6、 countByValueAndWindow(windowLength,slideInterval, \[numTasks\]) ##

类似于前面的countByValue操作，调用该操作的DStream数据格式为(K, v)，返回的DStream格式为(K, Long)。统计当前时间窗口中元素值相同的元素的个数。   
　　代码如下

![1139681-20170620132056226-1110068493.png][]

结果如下   
　　![这里写图片描述][20160921221148429]

# 三、Join Operations #

Join主要可分为两种，

## 1、DStream对象之间的Join ##

这种join一般应用于窗口函数形成的DStream对象之间，具体可以参考第一部分中的join操作，除了简单的join之外，还有leftOuterJoin, rightOuterJoin和fullOuterJoin。

## 2、DStream和dataset之间的join ##

这一种join，可以参考前面transform操作中的示例。

# 四、Output Operations #

在Spark Streaming中，DStream的输出操作才是DStream上所有transformations的真正触发计算点，这个类似于RDD中的action操作。经过输出操作DStream中的数据才能与外部进行交互，比如将数据写入文件系统、[数据库][Link 1]，或其他应用中。

## 1、print() ##

print操作会将DStream每一个batch中的前10个元素在driver节点打印出来。   
　　看下面这个示例，一行输入超过10个单词，然后将这行语句分割成单个单词的DStream。

![1139681-20170620132109554-1811712605.png][]

看看print后的效果。   
　　![这里写图片描述][20160922204817203]

## 2、saveAsTextFiles(prefix, \[suffix\]) ##

这个操作可以将DStream中的内容保存为text文件，每个batch的数据单独保存为一个文夹，文件夹名前缀参数必须传入，文件夹名后缀参数可选，最终文件夹名称的完整形式为`prefix-TIME_IN_MS[.suffix]`   
　　比如下面这一行代码

![1139681-20170620132126710-204084800.png][]

看一下执行结果，在当前项目路径下，每秒钟生成一个文件夹，打开的两个窗口中的内容分别是nc窗口中的输入。   
　　![这里写图片描述][20160922205556669]   
　　另外，如果前缀中包含文件完整路径，则该text文件夹会建在指定路径下，如下图所示   
　　![这里写图片描述][20160922210021422]

## 3、saveAsObjectFiles(prefix, \[suffix\]) ##

这个操作和前面一个类似，只不过这里将DStream中的内容保存为SequenceFile文件类型，这个文件中保存的数据都是经过序列化后的[Java][]对象。   
　　实验略过，可参考前面一个操作。

## 4、saveAsHadoopFiles(prefix, \[suffix\]) ##

这个操作和前两个类似，将DStream每一batch中的内容保存到HDFS上，同样可以指定文件的前缀和后缀。

## 5、foreachRDD(func) ##

--------------------

##### 转自：[https://www.cnblogs.com/yjd\_hycf\_space/p/7053722.html][https_www.cnblogs.com_yjd_hycf_space_p_7053722.html] #####

[Spark]: http://spark.apache.org/
[20160920235613165]: /images/20220402/599862e9c5b4494ba38a727813870352.png
[20160921221541230]: /images/20220402/47f524936c904791bb38d59a7fd8cec7.png
[20160921221654063]: /images/20220402/9e1ddee539de4c4fbe3c6e82465104b8.png
[1139681-20170620131729507-1966604682.png]: /images/20220402/d8bf917875ca405cbb37f565ce787b11.png
[20160921222201253]: /images/20220402/c53baf94746d47a99f1e96c8b397fd13.png
[20160921222305769]: /images/20220402/395310c7f1c54a91a9d931affd88f646.png
[1139681-20170620131755273-190378864.png]: /images/20220402/1c334e08bad04b84bb41f497a4b8cda6.png
[20160921222421113]: /images/20220402/a4fdfbb66d464297a4cb733d7b5509b7.png
[20160921222518160]: /images/20220402/5edfba05ee9c49b99de3777960acb57b.png
[1139681-20170620131833663-527703048.png]: /images/20220402/1b91fe9dde384835af71da98c418004f.png
[20160921000132894]: /images/20220402/c053086ffe1c4ee6bd86db7e4ef4b103.png
[1139681-20170620131851820-904640738.png]: /images/20220402/bd70c5f7a217430a8e96748a85aca074.png
[20160921000251223]: /images/20220402/afdd83df30bf4b3787c84f1189d5fe51.png
[20160921222653489]: /images/20220402/ff9cca131213484f9d1864b0c7cce81d.png
[Spark-Streaming]: http://spark.apache.org/docs/1.6.2/streaming-programming-guide.html#transform-operation
[1139681-20170620131907085-708916774.png]: /images/20220402/476ffa5603c84595af7ce9cec3985731.png
[20160928214929710]: /images/20220402/eb793a8782ad4cceb2539dbc89e8cc7f.png
[1139681-20170620131922116-806458246.png]: /images/20220402/ebf0af4ac6cf46ecb0ab6b7fd53a6200.png
[20160921000641960]: /images/20220402/3195217f4be4401a9a913be8429c0212.png
[1139681-20170620131938976-296398565.png]: /images/20220402/fef376299be84da7a80ac6d35815a094.png
[20160921000723320]: /images/20220402/6aa827a80d0344b4a54fc8749cb53a81.png
[1139681-20170620131951804-1360609649.png]: /images/20220402/8a0a74e7c5234e5b8d11c3dce22ae229.png
[20160921220925613]: /images/20220402/a6a5698627284b01a9a3912a7e96e109.png
[1139681-20170620132005616-1324949130.png]: /images/20220402/27fea354b6384a2eb4bd282aa827fac0.png
[20160921221005233]: /images/20220402/a95062e1a6204c03ad91e790d3353e94.png
[1139681-20170620132036741-708972674.png]: /images/20220402/8e3c2189de6345a5ba4115322a949c3e.png
[20160921221055592]: /images/20220402/332a372be95449e287d48bdb825c39dc.png
[20160921221113702]: /images/20220402/24d4ea42f9fa4a9e9de3e2e9edb12c0c.png
[1139681-20170620132056226-1110068493.png]: /images/20220402/86122e1d290d41489247e26ee2fbda2e.png
[20160921221148429]: /images/20220402/55d88ae510e1439abc63147e860180c4.png
[Link 1]: http://lib.csdn.net/base/mysql
[1139681-20170620132109554-1811712605.png]: /images/20220402/12fa2f6c22234aeaaf172de930942bb9.png
[20160922204817203]: /images/20220402/c1192a66768a4d70a36796ed866beae6.png
[1139681-20170620132126710-204084800.png]: /images/20220402/630e3401c5b549469fdea8e56fab8e9f.png
[20160922205556669]: /images/20220402/d30a1fe7e2b0485387eb4dabb9f5da04.png
[20160922210021422]: /images/20220402/1fd6c8889fd3499d83388ed519da87a8.png
[Java]: http://lib.csdn.net/base/java
[https_www.cnblogs.com_yjd_hycf_space_p_7053722.html]: https://www.cnblogs.com/yjd_hycf_space/p/7053722.html