SparkStreaming在实时处理的两个场景示例

简介

Spark Streaming���Apache Spark生态系统中的一个组件，用于实时流式数据处理。它提供了类似于Spark的API，使开发者可以使用相似的编程模型来处理实时数据流。

Spark Streaming的工作原理是将连续的数据流划分成小的批次，并将每个批次作为RDD（弹性分布式数据集）来处理。这样，开发者可以使用Spark的各种高级功能，如map、reduce、join等，来进行实时数据处理。Spark Streaming还提供了内置的窗口操作、状态管理、容错处理等功能，使得开发者能够轻松处理实时数据的复杂逻辑。

Spark Streaming支持多种数据源，包括Kafka、Flume、HDFS、S3等，因此可以轻松地集成到各种数据管道中。它还能够与Spark的批处理和SQL引擎进行无缝集成，从而实现流式处理与批处理的混合使用。

本文以 TCP、kafka场景讲解spark streaming的使用

消息队列下的信息铺抓

类似消息队列的有redis、kafka等核心组件。

本文以kafka为例，向kafka中实时抓取数据，

pom.xml中添加以下依赖

                org.apache.spark        spark-core_2.12        3.2.0                    org.apache.spark        spark-streaming_2.12        3.2.0                    org.apache.spark        spark-sql_2.12        3.2.0                    org.apache.kafka        kafka-clients        2.8.0                    org.apache.spark        spark-streaming-kafka-0-10_2.12        3.2.0                    org.postgresql        postgresql        42.2.24    

创建项目编写以下代码实现功能

package org.example;import org.apache.kafka.clients.consumer.ConsumerRecord;import org.apache.spark.SparkConf;import org.apache.spark.api.java.JavaRDD;import org.apache.spark.api.java.function.VoidFunction;import org.apache.spark.sql.*;import org.apache.spark.sql.types.DataTypes;import org.apache.spark.sql.types.StructType;import org.apache.spark.streaming.Duration;import org.apache.spark.streaming.api.java.JavaDStream;import org.apache.spark.streaming.api.java.JavaStreamingContext;import org.apache.spark.streaming.kafka010.ConsumerStrategies;import org.apache.spark.streaming.kafka010.KafkaUtils;import org.apache.spark.streaming.kafka010.LocationStrategies;import org.apache.kafka.common.serialization.StringDeserializer;import java.util.*;public class SparkStreamingKafka {    public static void main(String[] args) throws InterruptedException {        // 创建 Spark 配置        SparkConf sparkConf = new SparkConf()                .setAppName("spark_kafka")                .setMaster("local[*]")                .setExecutorEnv("setLogLevel", "ERROR");//设置日志等级为ERROR，避免日志增长导致的磁盘膨胀        // 创建 Spark Streaming 上下文        JavaStreamingContext streamingContext = new JavaStreamingContext(sparkConf, new Duration(2000)); // 间隔两秒扑捉一次        // 创建 Spark SQL 会话        SparkSession sparkSession = SparkSession.builder().config(sparkConf).getOrCreate();        // 设置 Kafka 相关参数        Map kafkaParams = new HashMap();        kafkaParams.put("bootstrap.servers", "10.0.0.105:9092,10.0.0.106:9092,10.0.0.107:9092");        kafkaParams.put("key.deserializer", StringDeserializer.class);        kafkaParams.put("value.deserializer", StringDeserializer.class);        kafkaParams.put("auto.offset.reset", "earliest");        // auto.offset.reset可指定参数有        // latest：从分区的最新偏移量开始读取消息。        // earliest：从分区的最早偏移量开始读取消息。        // none：如果没有有效的偏移量，则抛出异常。        kafkaParams.put("enable.auto.commit", true);  //采用自动提交offset 的模式        kafkaParams.put("auto.commit.interval.ms",2000);//每隔离两秒提交一次commited-offset        kafkaParams.put("group.id", "spark_kafka"); //消费组名称        // 创建 Kafka stream        Collection topics = Collections.singletonList("spark_kafka"); // Kafka 主题名称        JavaDStream kafkaStream = KafkaUtils.createDirectStream(                streamingContext,                LocationStrategies.PreferConsistent(),                ConsumerStrategies.Subscribe(topics, kafkaParams)  //订阅kafka        );        //定义数据结构        StructType schema = new StructType()                .add("key", DataTypes.LongType)                .add("value", DataTypes.StringType);        kafkaStream.foreachRDD((VoidFunction) rdd -> {            // 转换为 DataFrame            Dataset df = sparkSession.createDataFrame(rdd.map(record -> {                return RowFactory.create(record.offset(), record.value());  //将偏移量和value聚合            }), schema);            // 写入到 PostgreSQL            df.write()                    //选择写入数据库的模式                    .mode(SaveMode.Append)//采用追加的写入模式                    //协议                    .format("jdbc")                    //option 参数                    .option("url", "jdbc:postgresql://localhost:5432/postgres") // PostgreSQL 连接 URL                    //确定表名                    .option("dbtable", "public.spark_kafka")//指定表名                    .option("user", "postgres") // PostgreSQL 用户名                    .option("password", "postgres") // PostgreSQL 密码                    .save();        });        // 启动 Spark Streaming        streamingContext.start();        // 等待 Spark Streaming 应用程序终止        streamingContext.awaitTermination();    }}

在执行代码前，向创建名为spark_kafka的topic

kafka-topics.sh --create --topic spark_kafka --bootstrap-server 10.0.0.105:9092,10.0.0.106:9092,10.0.0.107:9092

向spark_kafka 主题进行随机推数

kafka-producer-perf-test.sh --topic spark_kafka --thrghput 10 --num-records 10000 --record-size 100000 --producer-props bootstrap.servers=10.0.0.105:9092,10.0.0.106:9092,10.0.0.107:9092

运行过程中消费的offset会一直被提交到每一个分区

此时在数据库中查看，数据已经实时落地到库中

TCP

TCP环境下，实时监控日志的输出，可用于监控设备状态、环境变化等。当监测到异常情况时，可以实时发出警报。

package org.example;import org.apache.kafka.clients.consumer.ConsumerRecord;import org.apache.spark.SparkConf;import org.apache.spark.api.java.JavaRDD;import org.apache.spark.api.java.function.VoidFunction;import org.apache.spark.sql.*;import org.apache.spark.sql.types.DataTypes;import org.apache.spark.sql.types.StructType;import org.apache.spark.streaming.Duration;import org.apache.spark.streaming.api.java.JavaDStream;import org.apache.spark.streaming.api.java.JavaStreamingContext;import org.apache.spark.streaming.kafka010.ConsumerStrategies;import org.apache.spark.streaming.kafka010.KafkaUtils;import org.apache.spark.streaming.kafka010.LocationStrategies;import org.apache.kafka.common.serialization.StringDeserializer;import java.util.*;public class SparkStreamingKafka {    public static void main(String[] args) throws InterruptedException {        // 创建 Spark 配置        SparkConf sparkConf = new SparkConf()                .setAppName("spark_kafka") // 设置应用程序名称                .setMaster("local[*]") // 设置 Spark master 为本地模式，[*]表示使用所有可用核心                // 设置日志等级为ERROR，避免日志增长导致的磁盘膨胀                .setExecutorEnv("setLogLevel", "ERROR");        // 创建 Spark Streaming 上下文        JavaStreamingContext streamingContext = new JavaStreamingContext(sparkConf, new Duration(2000)); // 间隔两秒扑捉一次        // 创建 Spark SQL 会话        SparkSession sparkSession = SparkSession.builder().config(sparkConf).getOrCreate();        // 设置 Kafka 相关参数        Map kafkaParams = new HashMap();        kafkaParams.put("bootstrap.servers", "10.0.0.105:9092,10.0.0.106:9092,10.0.0.107:9092"); // Kafka 服务器地址        kafkaParams.put("key.deserializer", StringDeserializer.class); // key 反序列化器类        kafkaParams.put("value.deserializer", StringDeserializer.class); // value 反序列化器类        kafkaParams.put("auto.offset.reset", "earliest"); // 从最早的偏移量开始消费消息        kafkaParams.put("enable.auto.commit", true);  // 采用自动提交 offset 的模式        kafkaParams.put("auto.commit.interval.ms", 2000); // 每隔两秒提交一次 committed-offset        kafkaParams.put("group.id", "spark_kafka"); // 消费组名称        // 创建 Kafka stream        Collection topics = Collections.singletonList("spark_kafka"); // Kafka 主题名称        JavaDStream kafkaStream = KafkaUtils.createDirectStream(                streamingContext,                LocationStrategies.PreferConsistent(),                ConsumerStrategies.Subscribe(topics, kafkaParams)  // 订阅 Kafka        );        // 定义数据结构        StructType schema = new StructType()                .add("key", DataTypes.LongType)                .add("value", DataTypes.StringType);        kafkaStream.foreachRDD((VoidFunction) rdd -> {            // 转换为 DataFrame            Dataset df = sparkSession.createDataFrame(rdd.map(record -> {                return RowFactory.create(record.offset(), record.value());  // 将偏移量和 value 聚合            }), schema);            // 写入到 PostgreSQL            df.write()                    // 选择写入数据库的模式                    .mode(SaveMode.Append) // 采用追加的写入模式                    // 协议                    .format("jdbc")                    // option 参数                    .option("url", "jdbc:postgresql://localhost:5432/postgres") // PostgreSQL 连接 URL                    // 确定表名                    .option("dbtable", "public.spark_kafka") // 指定表名                    .option("user", "postgres") // PostgreSQL 用户名                    .option("password", "postgres") // PostgreSQL 密码                    .save();        });        // 启动 Spark Streaming        streamingContext.start();        // 等待 Spark Streaming 应用程序终止        streamingContext.awaitTermination();    }}

在10.0.0.108 打开9999端口键入数值 ，使其被spark接收到并进行运算

nc -lk 9999

开启端口可以键入数值 此时会在IDEA的控制台显示其计算值