Spark Streaming--実戦編
14331 ワード
要約:
Sprak StreamingはSaprk APの拡張に属し、リアルタイムデータストリーム(live data streams)の拡張性、高スループットフォールトトレランス(fault-tolerant)のストリーム処理をサポートする.KafKa,Flume,ZeroMQ Kinesisから TwitterやTCPソケットのデータソース、処理結果データはファイルシステムデータベースフィールドdashboardsなどに格納できます.
DStreamプログラミングモデル
DstreamはSpark streamingにおける高度な抽象連続データストリームであり、このデータソースは外部から(例えばKafKa Flumeなど)取得してもよいし、入力ストリームから取得してもよいし、他のDStream上で高度な操作を行うことによって作成してもよいし、DStreamは時間系列の連続したRDDによって表されるので、1つのDStreamは1つのRDDsのシーケンスと見なすことができる.
DStreamアクション
1.ソケットストリーム:Socketポートを傍受してデータを受信します.
入力ストリームとしてScalaライタによって一連の文字が生成されます.
GenerateChar:
ScoketStreaming:
実行結果:
GenerateCharが生成したデータは次のとおりです.
ScoketStreamingの実行結果:
注意:ローカルで実行されている場合は、setMasterのパラメータはlocal[n],n>1でなければなりません.公式サイトで説明します.
クラスタ上で実行される場合、Spark streamingに割り当てられるコア数は、受信機よりも大きいデータでなければなりません.そうしないと、同じようにデータのみが受信され、処理できません.
2.ファイルフロー:Spark Streamingファイルシステムの変化を監視し、新しいファイルが追加されたら、それを読み込んでデータフローとする
次の点に注意してください.
1.これらのファイルは同じ形式である
2.これらのファイルは、原子移動またはファイル名の変更によりdataDirectoryで作成されます.
3.これらのファイルを移動すると、これ以上変更することはできません.ファイルに内容を追加すると、これらの追加された新しいデータも読み込まれません.
FileStreaming:
ファイルディレクトリにファイルを追加するとSparkは Streamingは自動的に読み込んで計算し、ローカルディレクトリHDFSや他のファイルシステムを読み取ることができます.
注:ファイル・ストリームは受信機を実行する必要がないため、コア数を割り当てる必要はありません.
3.RDDキューフロー:streamingContext.queueStream(queueOfRDD)を使用して、Spark StreamingアプリケーションをデバッグするためのRDDキューベースのDStreamを作成します.
QueueStream:プログラムは1秒ごとにRDDを作成し、Streamingは1秒ごとにデータを処理する
しゅつりょく
4.ステータス付き処理staefull
updateStateByKey操作:updateStateByKey操作を使用する場所はkeyの状態を保持し、継続的に更新できるようにするためである.この機能を使用するには、次の2つのステップがあります.
1.任意のデータ型であってもよい状態を定義する
2.ステータス更新関数を定義し、前のステータスに基づいてステータスを更新する方法を決定する関数を指定します.
同様にwordCountを例にとると,毎回の出力が積算される前のwordCountとは異なる.
StateFull:
先にGenerateCharを実行してアルファベットを生成し、StateFullを実行します.結果は次のとおりです.
Spark Stramingの最大の利点は、データを処理するために粗粒度の処理方式(一度に小ロットのデータを処理する)を採用することであり、この特性も、RDD上の高度なDStreamを有するフォールトトレランス回復機構をより容易に実現することである.
抽象的であるため,RDDとの相互運用が極めて容易である.
Sprak StreamingはSaprk APの拡張に属し、リアルタイムデータストリーム(live data streams)の拡張性、高スループットフォールトトレランス(fault-tolerant)のストリーム処理をサポートする.KafKa,Flume,ZeroMQ Kinesisから TwitterやTCPソケットのデータソース、処理結果データはファイルシステムデータベースフィールドdashboardsなどに格納できます.
DStreamプログラミングモデル
DstreamはSpark streamingにおける高度な抽象連続データストリームであり、このデータソースは外部から(例えばKafKa Flumeなど)取得してもよいし、入力ストリームから取得してもよいし、他のDStream上で高度な操作を行うことによって作成してもよいし、DStreamは時間系列の連続したRDDによって表されるので、1つのDStreamは1つのRDDsのシーケンスと見なすことができる.
DStreamアクション
1.ソケットストリーム:Socketポートを傍受してデータを受信します.
入力ストリームとしてScalaライタによって一連の文字が生成されます.
GenerateChar:
object GenerateChar {
def generateContext(index : Int) : String = {
import scala.collection.mutable.ListBuffer
val charList = ListBuffer[Char]()
for(i <- 65 to 90)
charList += i.toChar
val charArray = charList.toArray
charArray(index).toString
}
def index = {
import java.util.Random
val rdm = new Random
rdm.nextInt(7)
}
def main(args: Array[String]) {
val listener = new ServerSocket(9998)
while(true){
val socket = listener.accept()
new Thread(){
override def run() = {
println("Got client connected from :"+ socket.getInetAddress)
val out = new PrintWriter(socket.getOutputStream,true)
while(true){
Thread.sleep(500)
val context = generateContext(index) //
println(context)
out.write(context + '
')
out.flush()
}
socket.close()
}
}.start()
}
}
}
ScoketStreaming:
object ScoketStreaming {
def main(args: Array[String]) {
// StreamingContext, 2
val conf = new SparkConf().setMaster("local[2]").setAppName("ScoketStreaming")
val sc = new StreamingContext(conf,Seconds(10)) // 10
// DStream, master:9998
val lines = sc.socketTextStream("master",9998)
val words = lines.flatMap(_.split(" "))
val wordCounts = words.map(x => (x , 1)).reduceByKey(_ + _)
wordCounts.print()
sc.start() //
sc.awaitTermination() // ,
}
}
実行結果:
GenerateCharが生成したデータは次のとおりです.
Got client connected from :/192.168.31.128
C
G
B
C
F
G
D
G
B
ScoketStreamingの実行結果:
-------------------------------------------
Time: 1459426750000 ms
-------------------------------------------
(B,1)
(G,1)
(C,1)
-------------------------------------------
Time: 1459426760000 ms
-------------------------------------------
(B,5)
(F,3)
(D,4)
(G,3)
(C,3)
(E,1)
注意:ローカルで実行されている場合は、setMasterのパラメータはlocal[n],n>1でなければなりません.公式サイトで説明します.
When running a Spark Streaming program locally, do not use “local” or “local[1]” as the master URL. Either ofthese means that only one thread
will be used for running tasks locally. If you are using a input DStream based on a receiver (e.g. sockets, Kafka, Flume, etc.), then the single
thread will be used to run the receiver,leaving no thread for processing the received data.
Spark Streaming ,Master URL "local" "local[1]", , Input DStream
( Kafka,Flume ), , 。
クラスタ上で実行される場合、Spark streamingに割り当てられるコア数は、受信機よりも大きいデータでなければなりません.そうしないと、同じようにデータのみが受信され、処理できません.
2.ファイルフロー:Spark Streamingファイルシステムの変化を監視し、新しいファイルが追加されたら、それを読み込んでデータフローとする
次の点に注意してください.
1.これらのファイルは同じ形式である
2.これらのファイルは、原子移動またはファイル名の変更によりdataDirectoryで作成されます.
3.これらのファイルを移動すると、これ以上変更することはできません.ファイルに内容を追加すると、これらの追加された新しいデータも読み込まれません.
FileStreaming:
object FileStreaming {
def main(args: Array[String]) {
val conf = new SparkConf().setMaster("local").setAppName("FileStreaming")
val sc = new StreamingContext(conf,Seconds(5))
val lines = sc.textFileStream("/home/hadoop/wordCount")
val words = lines.flatMap(_.split(" "))
val wordCounts = words.map(x => (x , 1)).reduceByKey(_ + _)
sc.start()
sc.awaitTermination()
}
}
ファイルディレクトリにファイルを追加するとSparkは Streamingは自動的に読み込んで計算し、ローカルディレクトリHDFSや他のファイルシステムを読み取ることができます.
注:ファイル・ストリームは受信機を実行する必要がないため、コア数を割り当てる必要はありません.
3.RDDキューフロー:streamingContext.queueStream(queueOfRDD)を使用して、Spark StreamingアプリケーションをデバッグするためのRDDキューベースのDStreamを作成します.
QueueStream:プログラムは1秒ごとにRDDを作成し、Streamingは1秒ごとにデータを処理する
object QueueStream {
def main(args: Array[String]) {
val conf = new SparkConf().setMaster("local[2]").setAppName("queueStream")
// 1
val ssc = new StreamingContext(conf,Seconds(1))
// push QueueInputDStream RDDs
val rddQueue = new mutable.SynchronizedQueue[RDD[Int]]()
// RDD
val inputStream = ssc.queueStream(rddQueue)
val mappedStream = inputStream.map(x => (x % 10,1))
val reduceStream = mappedStream.reduceByKey(_ + _)
reduceStream.print
ssc.start()
for(i <- 1 to 30){
rddQueue += ssc.sparkContext.makeRDD(1 to 100, 2) // RDD,
Thread.sleep(1000)
}
ssc.stop()
}
}
しゅつりょく
-------------------------------------------
Time: 1459595433000 ms // 1
-------------------------------------------
(4,10)
(0,10)
(6,10)
(8,10)
(2,10)
(1,10)
(3,10)
(7,10)
(9,10)
(5,10)
............
............
-------------------------------------------
Time: 1459595463000 ms // 30
-------------------------------------------
(4,10)
(0,10)
(6,10)
(8,10)
(2,10)
(1,10)
(3,10)
(7,10)
(9,10)
(5,10)
4.ステータス付き処理staefull
updateStateByKey操作:updateStateByKey操作を使用する場所はkeyの状態を保持し、継続的に更新できるようにするためである.この機能を使用するには、次の2つのステップがあります.
1.任意のデータ型であってもよい状態を定義する
2.ステータス更新関数を定義し、前のステータスに基づいてステータスを更新する方法を決定する関数を指定します.
同様にwordCountを例にとると,毎回の出力が積算される前のwordCountとは異なる.
StateFull:
object StateFull {
def main(args: Array[String]) {
//
val updateFunc = (values: Seq[Int], state: Option[Int]) => {
val currentCount = values.foldLeft(0)(_ + _)
val previousCount = state.getOrElse(0)
Some(currentCount + previousCount)
}
val conf = new SparkConf().setMaster("local[2]").setAppName("stateFull")
val sc = new StreamingContext(conf, Seconds(5))
sc.checkpoint(".") // , ,
val lines = sc.socketTextStream("master", 9999)
val words = lines.flatMap(_.split(" "))
val wordDstream = words.map(x => (x, 1))
val stateDstream = wordDstream.updateStateByKey[Int](updateFunc)
stateDstream.print()
sc.start()
sc.awaitTermination()
}
}
先にGenerateCharを実行してアルファベットを生成し、StateFullを実行します.結果は次のとおりです.
-------------------------------------------
Time: 1459597690000 ms
-------------------------------------------
(B,3)
(F,1)
(D,1)
(G,1)
(C,1)
-------------------------------------------
Time: 1459597700000 ms //
-------------------------------------------
(B,5)
(F,3)
(D,4)
(G,4)
(A,2)
(E,5)
(C,4)
Spark Stramingの最大の利点は、データを処理するために粗粒度の処理方式(一度に小ロットのデータを処理する)を採用することであり、この特性も、RDD上の高度なDStreamを有するフォールトトレランス回復機構をより容易に実現することである.
抽象的であるため,RDDとの相互運用が極めて容易である.