大資料IMF傳奇行動絕密課程第87課：Flume推送資料到Spark Streaming案例實戰和內幕原始碼解密
阿新 • • 發佈：2019-01-26
Flume推送資料到Spark Streaming案例實戰和內幕原始碼解密
1、Flume on HDFS案例回顧
2、Flume推送資料到Spark Streaming實戰
3、原理繪圖剖析
一、配置.bashrc
vi ~/.bashrc
export FLUME_HOME=/usr/local/flume/apache-flume-1.6.0-bin
export FLUME_CONF_DIR=$FLUME_HOME/confPATH 加上
$FLUME_HOME/bin二、配置conf
拷貝flume-conf.properties.template為flume-conf.properties並改寫
#agent1表示代理名稱
agent1.sources=source1
agent1.sinks=sink1
agent1.channels=channel1
#配置source1
agents1.sources.source1.type=spooldir
agents1.sources.source1.spoolDir=/usr/local/flume/tmp/TestDir
agents1.sources.source1.channels=channel1
agents1.sources.source1.fileHeader=false
agents1.sources.source1.interceptors 啟動Flume：
./flume-ng agent -n agent1 -c conf -f /usr/local/flume/apache-flume-1.6.0-bin/conf/flume-conf.properties -Dflume.root.logger=DEBUG,consoleJava程式碼：
package com.tom.spark.SparkApps.sparkstreaming;
import java.util.Arrays;
import org.apache.spark.SparkConf;
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.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 org.apache.spark.streaming.flume.FlumeUtils;
import org.apache.spark.streaming.flume.SparkFlumeEvent;
import scala.Tuple2;
public class FlumePushData2SparkStreaming {
public static void main(String[] args) {
// TODO Auto-generated method stub
/**
* 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
* 執行緒用於不斷的迴圈接收資料，並且至少有一條執行緒用於處理接收的資料（否則的話無法有執行緒用
* 於處理資料，隨著時間的推移，記憶體和磁碟都會不堪重負）
* 2、對於叢集而言，每個Executor一般肯定不止一個Thread，那對於處理Spark Streaming
* 應用程式而言，每個Executor一般分配多少Core比較合適？根據經驗，5個左右的Core是最佳的
* （一個段子：分配為奇數個Core表現最佳，例如3個、5個、7個Core等
*/
SparkConf conf = new SparkConf().setMaster("local[4]").setAppName("FlumePushData2SparkStreaming");
/**
* 第二步：建立Spark StreamingContext：
* 1、這是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，也可以基於持久化的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，
* 所以需要在Driver重新啟動後繼續上一次的狀態，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SparkStreaming
* 之前需要把前面正在執行的SparkStreamingContext物件關閉掉，由此，我們得出一個重大啟發，SparkStreaming框架也只是
* Spark Core上的一個應用程式而已，只不過Spark Streaming框架想執行的話需要Spark工程師寫業務邏輯處理程式碼
*/
JavaStreamingContext javassc = new JavaStreamingContext(conf, Durations.seconds(5));
/**
* 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啟動空的Job其實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
* 實際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；
*/
JavaReceiverInputDStream<SparkFlumeEvent> lines = FlumeUtils.createStream(javassc, "Master", 9999);
/**
* 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！
*
*/
JavaDStream<String> words = lines.flatMap(new FlatMapFunction<SparkFlumeEvent, String>(){ //如果是Scala，由於SAM轉換，所以可以寫成val words = lines.flatMap(_.split(" "))
public Iterable<String> call(SparkFlumeEvent event) throws Exception {
String line = event.event().body.array().toString();
return Arrays.asList(line.split(" "));
}
});
/**
* 第4.2步：在單詞拆分的基礎上對每個單詞例項計數為1，也就是word => (word, 1)
*/
JavaPairDStream<String, Integer> pairs = words.mapToPair(new PairFunction<String, String, Integer>() {
public Tuple2<String, Integer> call(String word) throws Exception {
// TODO Auto-generated method stub
return new Tuple2<String, Integer> (word, 1);
}
});
/**
* 第4.3步：在單詞例項計數為1基礎上，統計每個單詞在檔案中出現的總次數
*/
JavaPairDStream<String, Integer> wordsCount = pairs.reduceByKey(new Function2<Integer, Integer, Integer>(){
//對相同的key，進行Value的累加（包括Local和Reducer級別同時Reduce）
public Integer call(Integer v1, Integer v2) throws Exception {
// TODO Auto-generated method stub
return v1 + v2;
}
});
/**
* 此處的print並不會直接觸發Job的支援，因為現在的一切都是在Spark Streaming框架的控制之下的，對於SparkStreaming
* 而言，具體是否觸發真正的Job執行是基於設定的Duration時間間隔的
*
* 注意，Spark Streaming應用程式要想執行具體的Job，對DStream就必須有ouptputstream操作
* outputstream有很多型別的函式觸發，例如print,saveAsTextFile,saveAsHadoopFiles等，
* 其中最為重要的一個方法是foreachRDD，因為Spark Streaming處理的結果一般會放在Redis、DB、DashBoard
* 等上面，所以foreachRDD主要就是用來完成這些功能的，而且可以隨意自定義具體資料到底放在哪裡。
*/
wordsCount.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
* 接收應用程式本身或者Executor中的訊息，
*/
javassc.start();
javassc.awaitTermination();
javassc.close();
}
}