用实例讲解Spark Sreaming

「爱情、让人受尽委屈。」 2022-07-24 05:00 109阅读 0赞

# 用实例讲解Spark Sreaming #

本篇文章用Spark Streaming ＋Hbase为列，Spark Streaming专为流式数据处理，对Spark核心API进行了相应的扩展。

# 什么是Spark Streaming？ #

首先，什么是流式处理呢？数据流是一个数据持续不断到达的无边界序列集。流式处理是把连续不断的数据输入分割成单元数据块来处理。流式处理是一个低延迟的处理和流式数据分析。Spark Streaming对Spark核心API进行了相应的扩展，支持高吞吐、低延迟、可扩展的流式数据处理。实时数据处理应用的场景有下面几个：

*  网站监控和网络监控；
 *  异常监测；
 *  网页点击；
 *  广告数据；

物联网（IOT）  
![此处输入图片的描述][31.png]  
图1

Spark Streaming支持的数据源包括HDFS文件，TCP socket，Kafka，Flume，Twitter等，数据流可以通过Spark核心API、DataFrame SQL或者机器学习API处理，并可以持久化到本地文件、HDFS、数据库或者其它任意支持Hadoop输出格式的形式。

# Spark Streaming如何工作？ #

Spark Streaming以X秒（batch size）为时间间隔把数据流分割成Dstream，组成一个RDD序列。你的Spark应用处理RDD，并把处理的结果批量返回。  
![此处输入图片的描述][2.png]  
图2

# Spark Streaming例子的架构图 #

![此处输入图片的描述][3.png]  
图3

Spark Streaming例子代码分下面几部分：  
\- 读取流式数据；  
\- 处理流式数据；  
\- 写处理结果倒Hbase表。

Spark处理部分的代码涉及到如下内容：

*  读取Hbase表的数据；
 *  按天计算数据统计；
 *  写统计结果到Hbase表，列簇：stats。

# 数据集 #

数据集来自油泵信号数据，以CSV格式存储在指定目录下。Spark Streaming监控此目录，CSV文件的格式如图3。  
![此处输入图片的描述][14.jpg]  
图4

采用Scala的case class来定义数据表结构，parseSensor函数解析逗号分隔的数据。

# Hbase表结构 #

流式处理的Hbase表结构如下：

*  油泵名字 ＋ 日期 ＋ 时间戳 组合成row key；
 *  列簇是由输入数据列、报警数据列等组成，并设置过期时间。
 *  每天等统计数据表结构如下：
 *  油泵名和日期组成row key；

列簇为stats，包含列有最大值、最小值和平均值；  
![此处输入图片的描述][5.png]  
图5

配置写入Hbase表

Spark直接用[TableOutputFormat类][TableOutputFormat]写数据到Hbase里，跟在MapReduce中写数据到Hbase表一样，下面就直接用TableOutputFormat类了。

Spark Streaming代码

Spark Streaming的基本步骤：

*  初始化Spark StreamingContext对象；
 *  在DStream上进行transformation操作和输出操作；
 *  开始接收数据并用streamingContext.start()；
 *  等待处理停止，streamingContext.awaitTermination()。

# 初始化Spark StreamingContext对象 #

创建 [ StreamingContext][StreamingContext]对象，StreamingContext是Spark Streaming处理的入口，这里设置2秒的时间间隔。

val sparkConf = new SparkConf().setAppName("HBaseStream")
    // create a StreamingContext, the main entry point for all streaming functionality
    val ssc = new StreamingContext(sparkConf, Seconds(2))

接下来用StreamingContext的textFileStream(directory)创建输入流跟踪Hadoop文件系统的新文件，并处理此目录下的所有文件，这里directory指文件目录。

// create a DStream that represents streaming data from a directory source
    val linesDStream = ssc.textFileStream("/user/user01/stream")

linesDStream是数据流，每条记录是按行记录的text格式。  
![此处输入图片的描述][6.png]  
图6

# 对DStream进行transformation操作和输出操作 #

接下来进行解析，对linesDStream进行map操作，map操作是对RDD应用Sensor.parseSensor函数，返回Sensor的RDD。

// parse each line of data in linesDStream into sensor objects
    val sensorDStream = linesDStream.map(Sensor.parseSensor)

![此处输入图片的描述][17.png]  
图7

对DStream的每个RDD执行[foreachRDD][] 方法，使用filter过滤Sensor中低psi值来创建报警，使用Hbase的Put对象转换sensor和alter数据以便能写入到Hbase。然后使用PairRDDFunctions的[saveAsHadoopDataset][]方法将最终结果写入到任何Hadoop兼容到存储系统。

// for each RDD. performs function on each RDD in DStream
    sensorRDD.foreachRDD {  rdd =>
    // filter sensor data for low psi
    val alertRDD = rdd.filter(sensor => sensor.psi < 5.0)
    // convert sensor data to put object and write to HBase Table CF data
    rdd.map(Sensor.convertToPut).saveAsHadoopDataset(jobConfig)
    // convert alert to put object write to HBase Table CF alerts
    rdd.map(Sensor.convertToPutAlert).saveAsHadoopDataset(jobConfig)
    }

sensorRDD经过Put对象转换，然后写入到Hbase。  
![此处输入图片的描述][8.png]  
图8

# 开始接收数据 #

通过streamingContext.start()显式的启动数据接收，然后调用streamingContext.awaitTermination()来等待计算完成。

// Start the computation
        ssc.start()
        // Wait for the computation to terminate
        ssc.awaitTermination()

# Spark读写Hbase #

现在开始读取Hbase的sensor表，计算每条的统计指标并把对应的数据写入stats列簇。  
![此处输入图片的描述][29.png]  
图9

下面的代码读取Hbase的sensor表psi列数据，用[StatCounter][]计算统计数据，然后写入stats列簇。

// configure HBase for reading 
        val conf = HBaseConfiguration.create()
        conf.set(TableInputFormat.INPUT_TABLE, HBaseSensorStream.tableName)
        // scan data column family psi column
        conf.set(TableInputFormat.SCAN_COLUMNS, "data:psi") 
    // Load an RDD of (row key, row Result) tuples from the table
        val hBaseRDD = sc.newAPIHadoopRDD(conf, classOf[TableInputFormat],
          classOf[org.apache.hadoop.hbase.io.ImmutableBytesWritable],
          classOf[org.apache.hadoop.hbase.client.Result])
        // transform (row key, row Result) tuples into an RDD of Results
        val resultRDD = hBaseRDD.map(tuple => tuple._2)
        // transform into an RDD of (RowKey, ColumnValue)s , with Time removed from row key
        val keyValueRDD = resultRDD.
                  map(result => (Bytes.toString(result.getRow()).
                  split(" ")(0), Bytes.toDouble(result.value)))
        // group by rowkey , get statistics for column value
        val keyStatsRDD = keyValueRDD.
                 groupByKey().
                 mapValues(list => StatCounter(list))
        // convert rowkey, stats to put and write to hbase table stats column family
        keyStatsRDD.map {  case (k, v) => convertToPut(k, v) }.saveAsHadoopDataset(jobConfig)

下面的流程图显示newAPIHadoopRDD输出，（row key，result）的键值对。PairRDDFunctions 的saveAsHadoopDataset方法把Put对象存入到Hbase。  
![此处输入图片的描述][10.png]  
图10

# 运行Spark Streaming应用 #

运行Spark Streaming应用跟运行Spark应用类似，比较简单，此处不赘述，参见[Spark Streaming官方文档][Spark Streaming]。

[31.png]: http://cdn.infoqstatic.com/statics_s1_20160510-0242/resource/articles/spark-sreaming-practice/zh/resources/31.png
[2.png]: http://cdn.infoqstatic.com/statics_s1_20160510-0242/resource/articles/spark-sreaming-practice/zh/resources/2.png
[3.png]: http://cdn.infoqstatic.com/statics_s1_20160510-0242/resource/articles/spark-sreaming-practice/zh/resources/3.png
[14.jpg]: http://cdn.infoqstatic.com/statics_s1_20160510-0242/resource/articles/spark-sreaming-practice/zh/resources/14.jpg
[5.png]: http://cdn.infoqstatic.com/statics_s1_20160510-0242/resource/articles/spark-sreaming-practice/zh/resources/5.png
[TableOutputFormat]: https://hbase.apache.org/apidocs/org/apache/hadoop/hbase/mapreduce/TableOutputFormat.html
[StreamingContext]: http://spark.apache.org/docs/latest/api/scala/index.html#org.apache.spark.streaming.StreamingContext
[6.png]: http://cdn.infoqstatic.com/statics_s1_20160510-0242/resource/articles/spark-sreaming-practice/zh/resources/6.png
[17.png]: http://cdn.infoqstatic.com/statics_s1_20160510-0242/resource/articles/spark-sreaming-practice/zh/resources/17.png
[foreachRDD]: https://spark.apache.org/docs/1.0.0/api/java/org/apache/spark/streaming/dstream/DStream.html
[saveAsHadoopDataset]: https://spark.apache.org/docs/1.0.0/api/java/org/apache/spark/rdd/PairRDDFunctions.html#saveAsHadoopDataset%28org.apache.hadoop.mapred.JobConf
[8.png]: http://cdn.infoqstatic.com/statics_s1_20160510-0242/resource/articles/spark-sreaming-practice/zh/resources/8.png
[29.png]: http://cdn.infoqstatic.com/statics_s1_20160510-0242/resource/articles/spark-sreaming-practice/zh/resources/29.png
[StatCounter]: https://spark.apache.org/docs/0.6.2/api/core/spark/util/StatCounter.html
[10.png]: http://cdn.infoqstatic.com/statics_s1_20160510-0242/resource/articles/spark-sreaming-practice/zh/resources/10.png
[Spark Streaming]: https://spark.apache.org/docs/latest/streaming-programming-guide.html#deploying-applications