SparkStreaming（一）基础知识_sparkstreaming 基础 与 套接字流

一、概述

Spark Streaming是Spark Core功能拓展，可以实现数据流的可扩展、高吞吐、容错处理。SparkStreaming处理的数据可以来源于多种数据源（如:Kafka、Flume、TCP套接字），这些数据流经过流式计算的复杂处理和加工，最终会将计算的结果存储到文件系统、数据库或者在仪表盘进行数据的实时展示。

在内部，SparkStreaming会将接受的流数据拆分为一个个批次数据（micro batch），通过Spark引擎处理微批RDD，产生最终的结果流。

在Spark Streaming中有一个高等级的抽象称为离散流或者DStream。DStream可以通过外部的数据源构建或者转换获得新的DStream(类似于Spark RDD的使用)；

结论：DStream底层是由Seq[RDD]序列构成

二、DStream离散流原理

DStream是Spark Streaming中最为核心的抽象，表现为一段连续的数据流（本质上是一组连续的RDD的序列集合），一个DStream中的一个RDD含有一个固定间隔的数据集。

应用在DStream上的任何操作底层都会转换为RDD的操作。

核心思想：微批 思想，底层使用spark rdd处理离散数据流

三、Input Source和Receivers

Input DStream表示从数据源接受的数据构建的DStream对象
构建Input DStream两种方式：

• basic source： 通常不依赖第三方的依赖可以通过ssc直接创建，如：filesystem和socket
• advanced source： 通常需要集成第三方依赖，如：kafka、flume其它流数据存储系统

basic source(基本数据源)：

• 文件系统创建（使用HDFS API从任意的文件系统读取文件目录数据，作为DStream数据源）

// 通过文件系统构建DStream 注意：路径指向一个目录而不是一个具体的文件
val lines = ssc.textFileStream("hdfs://xxx:9000/data")
1
2

注意：

• 路径是一个目录，不是具体的文件
• 数据目录支持通配符，如：hdfs://xxx:9000/data*;
• 数据文件格式必须保证统一，建议文本类型

• TCP Socket套接字

val lines = ssc.socketTextStream("localhost",8888)
1

• RDD Queue(RDD队列，可以将多个RDD存放到一个Queue队列中构建DStream)

// 注意：ssc中封装了sparkContext可以直接获取 无需手动创建
val rdd1 = ssc.sparkContext.makeRDD(List("Hello Spark","Hello Kafka"))
val rdd2 = ssc.sparkContext.makeRDD(List("Hello Scala","Hello Hadoop"))

// 通过Queue封装RDD，创建一个DStream
val queue = scala.collection.mutable.Queue(rdd1,rdd2)
val lines = ssc.queueStream(queue)
1
2
3
4
5
6
7

advanced source(高级数据源)：

• 基于kafka
  (1).导入依赖

<dependency>
   <groupId>org.apache.spark</groupId>
   <artifactId>spark-streaming-kafka-0-10_2.11</artifactId>
   <version>2.4.4</version>
</dependency>
1
2
3
4
5

(2).开发应用

package source

import org.apache.kafka.clients.consumer.{
   ConsumerConfig}
import org.apache.kafka.common.serial
1
2
3
4