about云日志分析项目准备10-4-1：spark streaming总结

本帖最后由 pig2 于 2017-3-23 16:09 编辑
问题导读

1.DStreams的含义是什么？
2.DStreams提供哪两种类型的操作？
3.Transformations操作分为哪两种类型？
4.本文说了哪些输入源？
5.什么是batch？

RDD与job之间的关系
Spark Streaming是构建在Spark上的实时流计算框架，扩展了Spark流式大数据处理能
力。Spark Streaming将数据流以时间片为单位分割形成RDD，使用RDD操作处理每一块数
据，每块数据（也就是RDD）都会生成一个Spark Job进行处理，最终以批处理的方式处理
每个时间片的数据

说明：Spark中的Job和MR中Job不一样不一样。MR中Job主要是Map或者Reduce Job。而Spark的Job其实很好区别，RDD一个action算子就算一个Job.

什么是batch
Spark Streaming生成新的batch并对它进行一些处理，每个batch中的数据都代表一个RDD

理解batch
间隔时间开始会创建，间隔时间内会积累

设置时间间隔的理解
我们知道spark streaming有个时间间隔。假如间隔为1秒，它是停下1秒，然后在接受1秒的数据，也就是说是间隔1秒，然后在接受数据，还是说接受1秒的数据。这里表面上没有太大的区别，其实在于理解的到不到位。说白了batch封装的是1秒的数据。

batch创建
batch在时间间隔开始被创建，在间隔时间内任何到达的数据都被添加到批数据中，间隔时间结束，batch创建结束。

什么是batch间隔参数
间隔时间大小的参数被称之为batch间隔

batch间隔范围一般为
500 毫秒到几分钟，由开发者定义。

spark streaming应用
spark streaming应用程序可以实时跟踪页面统计，训练机器学习模型或则自动检测异常，更多推荐参考
让你真正明白spark streaming
http://www.aboutyun.com/forum.php?mod=viewthread&tid=21141

DStreams详解

DStreams是discretized streams的缩写，是离散流的意思。

DStreams是随着时间【推移】到达的一系列数据

每个dstream被表示为一个序列的RDDS（因此名称“离散”）。

DStreams可以不同的数据源创建，比如flume，kafka，或则hdfs.一旦构建，

DStreams提供两种类型的操作：

transformations,产生一个新的DStream

output operations，写数据到外部系统。

DStreams提供许多与RDD相同的操作，外加一些关于时间的操作比如slidingwindows【滑动窗口】。

DStreams来源

1.外部数据源

2.通过transformations转换而来

Transformations操作

分为有状态和无状态
Stateful transformations需要checkpointing，在StreamingContext中启用容错。
设置checkpointing
ssc.checkpoint("hdfs://...")

Windowed transformations

window操作需要两个参数，窗口持续时间和滑动持续时间。这两个必须是多个StreamingContext的batch时间区间。DStream数据源时间间隔是10秒。想创建滑动窗口上一个30秒（或则上3batches)），我们应该设置windowDuration30秒。sliding时间间隔，默认是batch时间间隔，控制DStream刷新计算结果。如果我们的DStream batch时间区间为10秒，我们想计算我们的window，只能在每个第二batch。我们设置我们的sliding间隔为20秒。

输出操作【output operations】
保存DStream 为文本文件【Scala】

ipAddressRequestCount.saveAsTextFiles("outputDir", "txt")

复制代码

saveAsHadoopFiles()是hadoop输出格式，例如Spark Streaming没有SaveAsSequenceFile()函数，我们可以保存为SequenceFiles

Scala

val writableIpAddressRequestCount = ipAddressRequestCount.map {
(ip, count) => (new Text(ip), new LongWritable(count)) }
writableIpAddressRequestCount.saveAsHadoopFiles[
SequenceFileOutputFormat[Text, LongWritable]]("outputDir", "txt")

复制代码

Java

JavaPairDStream<Text, LongWritable> writableDStream = ipDStream.mapToPair(
new PairFunction<Tuple2<String, Long>, Text, LongWritable>() {
public Tuple2<Text, LongWritable> call(Tuple2<String, Long> e) {
return new Tuple2(new Text(e._1()), new LongWritable(e._2()));
}});
class OutFormat extends SequenceFileOutputFormat<Text, LongWritable> {};
writableDStream.saveAsHadoopFiles(
"outputDir", "txt", Text.class, LongWritable.class, OutFormat.class);

复制代码

foreachRDD()

ipAddressRequestCount.foreachRDD { rdd =>
rdd.foreachPartition { partition =>
// Open connection to storage system (e.g. a database connection)
partition.foreach { item =>
// Use connection to push item to system
}
// Close connection
}
}

复制代码

checkpointing机制
spark streaming主要机制checkpointing,它将数据存储在一个可靠的文件系统，比如hdfs.

checkpoint的作用，用于恢复数据。它会定期保存状态到可靠的文件系统比如hdfs,s3
比如你每5-10批数据设置checkpointing。当发生丢失数据的时候，Spark Streaming讲恢复最近的checkpoint.随着 streaming application 的持续运行，checkpoint 数据占用的存储空间会不断变大。因此，需要小心设置checkpoint 的时间间隔。设置得越小，checkpoint 次数会越多，占用空间会越大；如果设置越大，会导致恢复时丢失的数据和进度越多。一般推荐设置为 batch duration 的5~10倍。

输入源

spark streaming支持多个数据源，一些核心的数据源，已被构建到Streaming Maven artifact,其它可以通过额外的artifact，比如spark-streaming-kafka.
核心数据源比如sockets，还有文件和 Akka actors.

其它数据源

使用kafka必须引入artifact：spark-streaming-kafka_2.10到项目中。它提供KafkaUtils对象，通过StreamingContext 和 JavaStreamingContext创建kafka消息的DStream.
因为它订阅多个topic. DStream创建由topic 和 message组成的对。我们可以调用createStream()方法来创建Stream。字符串分割开ZooKeeper hosts, consumer group的名称（唯一的名字），receiver 线程用于topic.

Apache Kafka 订阅Panda的topic【Scala】