Spark Streaming狀態管理函式(二)——updateStateByKey的使用(scala版)
updateStateByKey的使用
關於updateStateByKey
1.重點:首先會以DStream中的資料進行按key做reduce操作,然後再對各個批次的資料進行累加 。
2.updateStateBykey要求必須要設定checkpoint點。
3.updateStateByKey 方法中 updateFunc就要傳入的引數,。Seq[V]表示當前key對應的所有值,Option[S] 是當前key的歷史狀態,返回的是新的封裝的資料。
注意事項
下面程式是使用idea編寫的,使用的是scala語言,在程式中master(“local[2]”)設定為本地模式([]中的數指定的是執行緒數,不能少於2,否則看不到結果。主要是因為spark需要啟動一個執行緒receiver來迴圈接收資料,一個Executor來接收資料,如果少於2執行緒不夠將不能打印出結果。),在window上執行的。使用的spark版本是2.3.0,在2.x以後的版本,基本採用SparkSession來進行操作。同時,想要執行程式你的伺服器上還必須要安裝netcat這個軟體,使用yum install nc進行安裝(注意安全配置好yum源,DNS才能下載安裝),使用命令nc -lk 6666開啟服務傳送資料。最後在執行程式前還需要匯入spark、scala相應的依賴包。
示例程式碼
package spark2x import org.apache.spark.SparkContext import org.apache.spark.sql.SparkSession import org.apache.spark.streaming.{Seconds, StreamingContext} import org.apache.spark.streaming.dstream.{DStream, ReceiverInputDStream} /** * 類名 UpdateStateByKeyDemo * 作者 彭三青 * 建立時間 2018-12-01 9:35 * 版本 1.0 * 描述: $ */ object UpdateStateByKeyDemo { def main(args: Array[String]): Unit = { /** 第一步:配置SparkConf: * 1,至少2條執行緒:因為Spark Streaming應用程式在執行的時候,至少有一條 * 執行緒Receiver用於不斷的迴圈接收資料,還有一條執行緒是Executor用於處理接受的資料(少於兩條 * 就沒有執行緒用於處理資料,視窗不會顯示資料。並且隨著時間的推移,記憶體和磁碟由於負擔過重而崩潰); * 2,對於叢集而言,根據已有經驗,大概5個左右的Core是效能最佳(一般分配為奇數個Core) */ val spark = SparkSession.builder() .master("local[2]") .appName("UpdateStateByKeyDemo") .getOrCreate() val conf: SparkContext = spark.sparkContext /** * 第二步:建立SparkStreamingContext: * 1,這個是SparkStreaming應用程式所有功能的起始點和程式排程的核心 * SparkStreamingContext的構建可以基於SparkConf引數,也可基於持久化的SparkStreamingContext的內容 * 來恢復過來(典型的場景是Driver崩潰後重新啟動,由於Spark Streaming具有連續7*24小時不間斷執行的特徵, * 所有需要在Driver重新啟動後繼續上衣系的狀態,此時的狀態恢復需要基於曾經的Checkpoint); * 2,在一個Spark Streaming應用程式中可以建立若干個SparkStreamingContext物件,使用下一個SparkStreamingContext * 之前需要把前面正在執行的SparkStreamingContext物件關閉掉,由此,我們獲得一個重大的啟發SparkStreaming框架也只是 * Spark Core上的一個應用程式而已,只不過Spark Streaming框架箱執行的話需要Spark工程師寫業務邏輯處理程式碼; */ val ssc: StreamingContext = new StreamingContext(conf, Seconds(3)) //報錯解決辦法做checkpoint,開啟checkpoint機制,把checkpoint中的資料放在這裡設定的目錄中,生產環境下一般放在HDFS中 ssc.checkpoint("hdfs://SC01:8020/user/tmp/cp-20181201") /** * 第三步:建立Spark Streaming輸入資料來源input Stream: * 1,資料輸入來源可以基於File、HDFS、Flume、Kafka、Socket等 * 2, 在這裡我們指定資料來源於網路Socket埠,Spark Streaming連線上該埠並在執行的時候一直監聽該埠 * 的資料(當然該埠服務首先必須存在),並且在後續會根據業務需要不斷的有資料產生(當然對於Spark Streaming * 應用程式的執行而言,有無資料其處理流程都是一樣的); * 3,如果經常在每間隔5秒鐘沒有資料的話不斷的啟動空的Job其實是會造成排程資源的浪費,因為並沒有資料需要發生計算,所以 * 例項的企業級生成環境的程式碼在具體提交Job前會判斷是否有資料,如果沒有的話就不再提交Job; */ val line: ReceiverInputDStream[String] = ssc.socketTextStream("SC01", 6666) /** * 第四步:接下來就像對於RDD程式設計一樣基於DStream進行程式設計!!!原因是DStream是RDD產生的模板(或者說類),在Spark Streaming具體 * 發生計算前,其實質是把每個Batch的DStream的操作翻譯成為對RDD的操作!!! * 對初始的DStream進行Transformation級別的處理,例如map、filter等高階函式等的程式設計,來進行具體的資料計算 * 進行單詞拆分 */ val words: DStream[String] = line.flatMap(_.split(" ")) /** * 對初始的DStream進行Transformation級別的處理,例如map、filter等高階函式等的程式設計,來進行具體的資料計算 * 單詞分組計數實,word => (word, 1) Word ->(word, 1) day -> day(day, 1) */ val pairs: DStream[(String, Int)] = words.map((_, 1)) /** * 通過updateStateByKey來以Batch Interval為單位來對歷史狀態進行更新, * 這是功能上的一個非常大的改進,否則的話需要完成同樣的目的,就可能需要把資料儲存在Redis、 * Tagyon或者HDFS或者HBase或者資料庫中來不斷的完成同樣一個key的State更新,如果你對效能有極為苛刻的要求, * 且資料量特別大的話,可以考慮把資料放在分散式的Redis或者Tachyon記憶體檔案系統中; * Spark2.X後mapWithState應該非常穩定了。 */ val wordCount: DStream[(String, Int)] = pairs.updateStateByKey((values: Seq[Int], state: Option[Int]) => { var newValue = state.getOrElse(0) for (value <- values) { newValue += value } Option(newValue) }) /** * 此處的print並不會直接出發Job的執行,因為現在的一切都是在Spark Streaming框架的控制之下的,對於Spark Streaming * 是否觸發真正的Job執行是基於設定的Duration時間間隔的 * 需要注意的是Spark Streaming應用程式要想執行具體的Job,對Dtream就必須有output Stream操作, * output Stream有很多型別的函式觸發,類print、saveAsTextFile、saveAsHadoopFiles等,最為重要的一個 * 方法是foraeachRDD,因為Spark Streaming處理的結果一般都會放在Redis、DB、DashBoard等上面,foreachRDD * 主要就是用用來完成這些功能的,而且可以隨意的自定義具體資料到底放在哪裡!!! */ wordCount.print() /** * Spark Streaming執行引擎也就是Driver開始執行,Driver啟動的時候是位於一條新的執行緒中的,當然其內部有訊息迴圈體,用於 * 接受應用程式本身或者Executor中的訊息; */ // 開始提交任務 ssc.start() // 執行緒等待,等待處理下一批次任務 ssc.awaitTermination() } /** Iterator[(K, Seq[V], Option[S])]) => Iterator[(K, S)] * 在呼叫updateStateByKey中,需要傳入一個用於計算曆史批次和當前批次資料的函式 * 該函式中有幾個型別:String, Seq[Int], Option[Int])] * String代表元組中每一個單詞,也就是key * Seq[Int]代表當前批次相同key對應的value,比如Seq(1,1,1,1) * Option[Int]代表上一批次中相同key對應的累加的結果,有可能有值,有可能沒有值。 * 此時,獲取歷史批次的資料時,最好用getOrElse方法 */ val func = (it: Iterator[(String, Seq[Int], Option[Int])]) => { it.map(tup => { (tup._1, tup._2.sum + tup._3.getOrElse(0)) }) } }
執行
伺服器執行nc
在idea端執行編寫好的程式
伺服器傳送資料
控制檯顯示結果
結論
updateStateByKey它會按照時間線在每一個批次間隔返回之前的key的狀態,它會對已存在的key進行state的狀和每個新出現的key執行相同的更新函式操作。同時updateStateByKey,要求必須要設定checkpoint,對資料進行快取。
第一篇:Spark Streaming狀態管理函式(一)——updateStateByKey和mapWithState
第三篇:Spark Streaming狀態管理函式(三)——MapWithState的使用(scala版)