Structured Streaming基础入门
Structured Streaming
1. 回顾和展望
1.1. Spark 编程模型的进化过程
RDD
rdd.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _).collect
针对自定义数据对象进行处理, 可以处理任意类型的对象, 比较符合面向对象
RDD
无法感知到数据的结构, 无法针对数据结构进行编程
DataFrame
spark.read.csv("...").where('name =!= "").groupBy($"name").show()
DataFrame
保留有数据的元信息, API
针对数据的结构进行处理, 例如说可以根据数据的某一列进行排序或者分组
DataFrame
在执行的时候会经过 Catalyst
进行优化, 并且序列化更加高效, 性能会更好
DataFrame
只能处理结构化的数据, 无法处理非结构化的数据, 因为 DataFrame
的内部使用 Row
对象保存数据
Spark
为 DataFrame
设计了新的数据读写框架, 更加强大, 支持的数据源众多
Dataset
spark.read.csv("...").as[Person].where(_.name != "").groupByKey(_.name).count().show()
Dataset
结合了 RDD
和 DataFrame
的特点, 从 API
上即可以处理结构化数据, 也可以处理非结构化数据
Dataset
和 DataFrame
其实是一个东西, 所以 DataFrame
的性能优势, 在 Dataset
上也有
总结
RDD
的优点
- 面向对象的操作方式
- 可以处理任何类型的数据
RDD
的缺点
- 运行速度比较慢, 执行过程没有优化
API
比较僵硬, 对结构化数据的访问和操作没有优化
DataFrame
的优点
- 针对结构化数据高度优化, 可以通过列名访问和转换数据
- 增加
Catalyst
优化器, 执行过程是优化的, 避免了因为开发者的原因影响效率
DataFrame
的缺点
- 只能操作结构化数据
- 只有无类型的
API
, 也就是只能针对列和SQL
操作数据,API
依然僵硬
Dataset
的优点
- 结合了
RDD
和DataFrame
的API
, 既可以操作结构化数据, 也可以操作非结构化数据 - 既有有类型的
API
也有无类型的API
, 灵活选择
1.2. Spark 的 序列化 的进化过程
什么是序列化和序列化
在 Java
中, 序列化的代码大概如下
public class JavaSerializable implements Serializable {NonSerializable ns = new NonSerializable();
}public class NonSerializable {}public static void main(String[] args) throws IOException {// 序列化JavaSerializable serializable = new JavaSerializable();ObjectOutputStream objectOutputStream = new ObjectOutputStream(new FileOutputStream("/tmp/obj.ser"));// 这里会抛出一个 "java.io.NotSerializableException: cn.itcast.NonSerializable" 异常objectOutputStream.writeObject(serializable);objectOutputStream.flush();objectOutputStream.close();// 反序列化FileInputStream fileInputStream = new FileInputStream("/tmp/obj.ser");ObjectInputStream objectOutputStream = new ObjectInputStream(fileInputStream);JavaSerializable serializable1 = objectOutputStream.readObject();
}
序列化的作用就是可以将对象的内容变成二进制, 存入文件中保存
反序列化指的是将保存下来的二进制对象数据恢复成对象
序列化对对象的要求
- 对象必须实现
Serializable
接口 - 对象中的所有属性必须都要可以被序列化, 如果出现无法被序列化的属性, 则序列化失败
限制
- 对象被序列化后, 生成的二进制文件中, 包含了很多环境信息, 如对象头, 对象中的属性字段等, 所以内容相对较大
- 因为数据量大, 所以序列化和反序列化的过程比较慢
序列化的应用场景
- 持久化对象数据
- 网络中不能传输
Java
对象, 只能将其序列化后传输二进制数据
在 Spark 中的序列化和反序列化的应用场景
Task分发
Task
是一个对象, 想在网络中传输对象就必须要先序列化
RDD 缓存
val rdd1 = rdd.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _)rdd1.cache
RDD
中处理的是对象, 例如说字符串, Person
对象等
如果缓存 RDD
中的数据, 就需要缓存这些对象
对象是不能存在文件中的, 必须要将对象序列化后, 将二进制数据存入文件
广播变量
广播变量会分发到不同的机器上, 这个过程中需要使用网络, 对象在网络中传输就必须先被序列化
Shuffle 过程
Shuffle
过程是由 Reducer
从 Mapper
中拉取数据, 这里面涉及到两个需要序列化对象的原因
RDD
中的数据对象需要在Mapper
端落盘缓存, 等待拉取Mapper
和Reducer
要传输数据对象
Spark Streaming 的 Receiver
Spark Streaming
中获取数据的组件叫做 Receiver
, 获取到的数据也是对象形式, 在获取到以后需要落盘暂存, 就需要对数据对象进行序列化
算子引用外部对象
class Unserializable(i: Int)rdd.map(i => new Unserializable(i)).collect.foreach(println)
在 map
算子的函数中, 传入了一个 Unserializable
的对象
map
算子的函数是会在整个集群中运行的, 那 Unserializable
对象就需要跟随 map
算子的函数被传输到不同的节点上,如果 Unserializable
不能被序列化, 则会报错
RDD 的序列化
RDD 的序列化只能使用 Java 序列化器, 或者 Kryo 序列化器
- RDD 中存放的是数据对象, 要保留所有的数据就必须要对对象的元信息进行保存, 例如对象头之类的
- 保存一整个对象, 内存占用和效率会比较低一些
Kryo 是什么
Kryo
是Spark
引入的一个外部的序列化工具, 可以增快RDD
的运行速度- 因为
Kryo
序列化后的对象更小, 序列化和反序列化的速度非常快 - 在
RDD
中使用Kryo
的过程如下
val conf = new SparkConf().setMaster("local[6]").setAppName("KyroTest")conf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
conf.registerKryoClasses(Array(classOf[Person]))val sc = new SparkContext(conf)
...
rdd.map(arr => Person(arr(0), arr(1), arr(2)))
DataFrame 和 Dataset 中的序列化
DataFrame
和 Dataset
是为结构化数据优化的
在 DataFrame
和 Dataset
中, 数据和数据的 Schema
是分开存储的
spark.read.csv("...").where($"name" =!= "").groupBy($"name").map(row: Row => row).show()
DataFrame
中没有数据对象这个概念, 所有的数据都以行的形式存在于 Row
对象中, Row
中记录了每行数据的结构, 包括列名, 类型等
Dataset
中上层可以提供有类型的 API
, 用以操作数据, 但是在内部, 无论是什么类型的数据对象 Dataset
都使用一个叫做 InternalRow
的类型的对象存储数据
val dataset: Dataset[Person] = spark.read.csv(...).as[Person]
元信息独立
RDD
不保存数据的元信息, 所以只能使用 Java Serializer
或者 Kyro Serializer
保存 整个对象
DataFrame
和 Dataset
中保存了数据的元信息, 所以可以把元信息独立出来分开保存
一个 DataFrame
或者一个 Dataset
中, 元信息只需要保存一份, 序列化的时候, 元信息不需要参与
在反序列化 ( InternalRow → Object
) 时加入 Schema
信息即可
元信息不再参与序列化, 意味着数据存储量的减少, 和效率的增加
使用堆外内存
DataFrame
和 Dataset
不再序列化元信息, 所以内存使用大大减少. 同时新的序列化方式还将数据存入堆外内存中, 从而避免 GC
的开销.
堆外内存又叫做 Unsafe
, 之所以叫不安全的, 因为不能使用 Java
的垃圾回收机制, 需要自己负责对象的创建和回收, 性能很好, 但是不建议普通开发者使用, 毕竟不安全
总结
- 当需要将对象缓存下来的时候, 或者在网络中传输的时候, 要把对象转成二进制, 在使用的时候再将二进制转为对象, 这个过程叫做序列化和反序列化
- 在
Spark
中有很多场景需要存储对象, 或者在网络中传输对象Task
分发的时候, 需要将任务序列化, 分发到不同的Executor
中执行- 缓存
RDD
的时候, 需要保存RDD
中的数据 - 广播变量的时候, 需要将变量序列化, 在集群中广播
RDD
的Shuffle
过程中Map
和Reducer
之间需要交换数据- 算子中如果引入了外部的变量, 这个外部的变量也需要被序列化
RDD
因为不保留数据的元信息, 所以必须要序列化整个对象, 常见的方式是Java
的序列化器, 和Kyro
序列化器Dataset
和DataFrame
中保留数据的元信息, 所以可以不再使用Java
的序列化器和Kyro
序列化器, 使用Spark
特有的序列化协议, 生成UnsafeInternalRow
用以保存数据, 这样不仅能减少数据量, 也能减少序列化和反序列化的开销, 其速度大概能达到RDD
的序列化的20
倍左右
1.3. Spark Streaming 和 Structured Streaming
Spark Streaming 时代
Spark Streaming
其实就是 RDD
的 API
的流式工具, 其本质还是 RDD
, 存储和执行过程依然类似 RDD
Structured Streaming 时代
Structured Streaming
其实就是 Dataset
的 API
的流式工具, API
和 Dataset
保持高度一致
Structured Streaming
相比于 Spark Streaming
的进步就类似于 Dataset
相比于 RDD
的进步
另外还有一点, Structured Streaming
已经支持了连续流模型, 也就是类似于 Flink
那样的实时流, 而不是小批量, 但在使用的时候仍然有限制, 大部分情况还是应该采用小批量模式
在 2.2.0
以后 Structured Streaming
被标注为稳定版本, 意味着以后的 Spark
流式开发不应该在采用 Spark Streaming
了
2. Structured Streaming 入门案例
2.1. 需求梳理
需求
编写一个流式计算的应用, 不断的接收外部系统的消息
对消息中的单词进行词频统计
统计全局的结果
整体结构
Socket Server
等待Structured Streaming
程序连接Structured Streaming
程序启动, 连接Socket Server
, 等待Socket Server
发送数据Socket Server
发送数据,Structured Streaming
程序接收数据Structured Streaming
程序接收到数据后处理数据- 数据处理后, 生成对应的结果集, 在控制台打印
开发方式和步骤
Socket server
使用 Netcat nc
来实现
Structured Streaming
程序使用 IDEA
实现, 在 IDEA
中本地运行
- 编写代码
- 启动
nc
发送Socket
消息 - 运行代码接收
Socket
消息统计词频
2.2. 代码实现
object SocketProcessor {def main(args: Array[String]): Unit = {// 1. 创建 SparkSessionval spark = SparkSession.builder().master("local[6]").appName("socket_processor").getOrCreate()spark.sparkContext.setLogLevel("WARN") import spark.implicits._// 2. 读取外部数据源, 并转为 Dataset[String]val source = spark.readStream.format("socket").option("host", "node01").option("port", 9999).load()//默认 readStream 会返回 DataFrame, 但是词频统计更适合使用 Dataset 的有类型 API.as[String] // 3. 统计词频val words = source.flatMap(_.split(" ")).map((_, 1)).groupByKey(_._1).count()// 4. 输出结果words.writeStream//统计全局结果, 而不是一个批次.outputMode(OutputMode.Complete()) .format("console") .start() .awaitTermination() }
}
2.3. 运行和结果验证
开启 Socket server 和运行程序
- 在虚拟机
node01
中运行nc -lk 9999
- 在 IDEA 中运行程序
- 在
node01
中输入以下内容
hello world
hello spark
hello hadoop
hello spark
hello spark
查看结果集
-------------------------------------------
Batch: 4
-------------------------------------------
+------+--------+
| value|count(1)|
+------+--------+
| hello| 5|
| spark| 3|
| world| 1|
|hadoop| 1|
+------+--------+
从结果集中可以观察到以下内容
Structured Streaming
依然是小批量的流处理Structured Streaming
的输出是类似DataFrame
的, 也具有Schema
, 所以也是针对结构化数据进行优化的- 从输出的时间特点上来看, 是一个批次先开始, 然后收集数据, 再进行展示, 这一点和
Spark Streaming
不太一样
3. Stuctured Streaming 的体系和结构
3.1. 无限扩展的表格
Dataset 和流式计算
可以理解为 Spark
中的 Dataset
有两种, 一种是处理静态批量数据的 Dataset
, 一种是处理动态实时流的 Dataset
, 这两种 Dataset
之间的区别如下
- 流式的
Dataset
使用readStream
读取外部数据源创建, 使用writeStream
写入外部存储 - 批式的
Dataset
使用read
读取外部数据源创建, 使用write
写入外部存储
如何使用 Dataset 这个编程模型表示流式计算
可以把流式的数据想象成一个不断增长, 无限无界的表
无论是否有界, 全都使用 Dataset
这一套 API
通过这样的做法, 就能完全保证流和批的处理使用完全相同的代码, 减少这两种处理方式的差异
WordCount 的原理
整个计算过程大致上分为如下三个部分
Source
, 读取数据源Query
, 在流式数据上的查询Result
, 结果集生成
整个的过程如下
- 随着时间段的流动, 对外部数据进行批次的划分
- 在逻辑上, 将缓存所有的数据, 生成一张无限扩展的表, 在这张表上进行查询
- 根据要生成的结果类型, 来选择是否生成基于整个数据集的结果
Dataset
不仅可以表达流式数据的处理, 也可以表达批量数据的处理
Dataset
之所以可以表达流式数据的处理, 因为 Dataset
可以模拟一张无限扩展的表, 外部的数据会不断的流入到其中
3.2. 体系结构
在 Structured Streaming
中负责整体流程和执行的驱动引擎叫做 StreamExecution
StreamExecution
在流上进行基于 Dataset
的查询, 也就是说, Dataset
之所以能够在流上进行查询, 是因为 StreamExecution
的调度和管理
StreamExecution 如何工作?
StreamExecution
分为三个重要的部分
Source
, 从外部数据源读取数据LogicalPlan
, 逻辑计划, 在流上的查询计划Sink
, 对接外部系统, 写入结果
StreamExecution 的执行顺序
1.根据进度标记, 从 Source
获取到一个由 DataFrame
表示的批次, 这个 DataFrame
表示数据的源头
val source = spark.readStream.format("socket").option("host", "node01").option("port", 9999).load().as[String]
这一点非常类似 val df = spark.read.csv()
所生成的 DataFrame
, 同样都是表示源头
2.根据源头 DataFrame
生成逻辑计划
val words = source.flatMap(_.split(" ")).map((_, 1)).groupByKey(_._1).count()
上述代码表示的就是数据的查询, 这一个步骤将这样的查询步骤生成为逻辑执行计划
3.优化逻辑计划最终生成物理计划
这一步其实就是使用 Catalyst
对执行计划进行优化, 经历基于规则的优化和基于成本模型的优化
4.执行物理计划将表示执行结果的 DataFrame / Dataset
交给 Sink
整个物理执行计划会针对每一个批次的数据进行处理, 处理后每一个批次都会生成一个表示结果的 Dataset
Sink
可以将每一个批次的结果 Dataset
落地到外部数据源
5.执行完毕后, 汇报 Source
这个批次已经处理结束, Source
提交并记录最新的进度
增量查询
上图中清晰的展示了最终的结果生成是全局的结果, 而不是一个批次的结果, 但是从 StreamExecution
中可以看到, 针对流的处理是按照一个批次一个批次来处理的
那么, 最终是如何生成全局的结果集呢?
状态记录
在 Structured Streaming
中有一个全局范围的高可用 StateStore
, 这个时候针对增量的查询变为如下步骤
- 从
StateStore
中取出上次执行完成后的状态 - 把上次执行的结果加入本批次, 再进行计算, 得出全局结果
- 将当前批次的结果放入
StateStore
中, 留待下次使用
4. Source
4.1. 从 HDFS 中读取数据
在数据处理的时候, 经常会遇到这样的场景
有时候也会遇到这样的场景
以上两种场景有两个共同的特点
- 会产生大量小文件在
HDFS
上 - 数据需要处理
4.1.1. 案例结构
- 编写
Python
小程序, 在某个目录生成大量小文件Python
是解释型语言, 其程序可以直接使用命令运行无需编译, 所以适合编写快速使用的程序, 很多时候也使用Python
代替Shell
- 使用
Python
程序创建新的文件, 并且固定的生成一段JSON
文本写入文件 - 在真实的环境中, 数据也是一样的不断产生并且被放入
HDFS
中, 但是在真实场景下, 可能是Flume
把小文件不断上传到HDFS
中, 也可能是Sqoop
增量更新不断在某个目录中上传小文件
- 使用
Structured Streaming
汇总数据HDFS
中的数据是不断的产生的, 所以也是流式的数据- 数据集是
JSON
格式, 要有解析JSON
的能力 - 因为数据是重复的, 要对全局的流数据进行汇总和去重, 其实真实场景下的数据清洗大部分情况下也是要去重的
- 使用控制台展示数据
- 最终的数据结果以表的形式呈现
- 真实的工作中, 可能数据是要落地到
MySQL
,HBase
,HDFS
这样的存储系统中
实现步骤
Step 1: 编写 Python
脚本不断的产生数据
- 使用
Python
创建字符串保存文件中要保存的数据 - 创建文件并写入文件内容
- 使用
Python
调用系统HDFS
命令上传文件
Step 2: 编写 Structured Streaming
程序处理数据
- 创建
SparkSession
- 使用
SparkSession
的readStream
读取数据源 - 使用
Dataset
操作数据, 只需要去重 - 使用
Dataset
的writeStream
设置Sink
将数据展示在控制台中
Step 3: 部署程序, 验证结果
- 上传脚本到服务器中, 使用
python
命令运行脚本 - 开启流计算应用, 读取 HDFS 中对应目录的数据
- 查看运行结果
难点和易错点
在读取
HDFS
的文件时,Source
不仅对接数据源, 也负责反序列化数据源中传过来的数据Source
可以从不同的数据源中读取数据, 如Kafka
,HDFS
- 数据源可能会传过来不同的数据格式, 如
JSON
,Parquet
读取
HDFS
文件的这个Source
叫做FileStreamSource
从命名就可以看出来这个
Source
不仅支持HDFS
, 还支持本地文件读取, 亚马逊云, 阿里云 等文件系统的读取, 例如:file://
,s3://
,oss://
基于流的
Dataset
操作和基于静态数据集的Dataset
操作是一致的
4.1.2. 产生小文件并推送到 HDFS
随便在任一目录中创建文件 gen_files.py
, 编写以下内容
import osfor index in range(1000):content = """{"name":"Michael"}{"name":"Andy", "age":30}{"name":"Justin", "age":19}"""file_name = "/export/dataset/text{0}.json".format(index)with open(file_name, "w") as file: file.write(content)os.system("/export/servers/hadoop/bin/hdfs dfs -mkdir -p /dataset/dataset/")os.system("/export/servers/hadoop/bin/hdfs dfs -put {0} /dataset/dataset/".format(file_name))
创建文件, 使用这样的写法是因为 with
是一种 Python
的特殊语法, 如果使用 with
去创建文件的话, 使用结束后会自动关闭流
4.1.3. 流式计算统计 HDFS 上的小文件
val spark = SparkSession.builder().appName("hdfs_source").master("local[6]").getOrCreate()spark.sparkContext.setLogLevel("WARN")val userSchema = new StructType().add("name", "string").add("age", "integer")val source = spark.readStream.schema(userSchema).json("hdfs://node01:8020/dataset/dataset")val result = source.distinct()result.writeStream.outputMode(OutputMode.Update()).format("console").start().awaitTermination()
4.1.4. 运行和流程总结
运行 Python 程序
- 上传
Python
源码文件到服务器中 - 运行
Python
脚本
# 进入 Python 文件被上传的位置
cd ~# 创建放置生成文件的目录
mkdir -p /export/dataset# 运行程序
python gen_files.py
运行 Spark 程序
- 使用
Maven
打包 - 上传至服务器
- 运行
Spark
程序
# 进入保存 Jar 包的文件夹
cd ~# 运行流程序
spark-submit --class cn.fk.structured.HDFSSource ./original-streaming-0.0.1.jar
4.2. 从 Kafka 中读取数据
4.2.1 Kafka 的场景和结构
Kafka 是一个 Pub / Sub 系统
Pub / Sub
是 Publisher / Subscriber
的简写, 中文称作为发布订阅系统
发布订阅系统可以有多个 Publisher
对应一个 Subscriber
, 例如多个系统都会产生日志, 通过这样的方式, 一个日志处理器可以简单的获取所有系统产生的日志
发布订阅系统也可以一个 Publisher
对应多个 Subscriber
, 这样就类似于广播了, 例如通过这样的方式可以非常轻易的将一个订单的请求分发给所有感兴趣的系统, 减少耦合性
当然, 在大数据系统中, 这样的消息系统往往可以作为整个数据平台的入口, 左边对接业务系统各个模块, 右边对接数据系统各个计算工具
Kafka 的特点
Kafka
有一个非常重要的应用场景就是对接业务系统和数据系统, 作为一个数据管道, 其需要流通的数据量惊人, 所以 Kafka
如果要满足这种场景的话, 就一定具有以下两个特点
- 高吞吐量
- 高可靠性
Topic 和 Partitions
消息和事件经常是不同类型的, 例如用户注册是一种消息, 订单创建也是一种消息
Kafka
中使用 Topic
来组织不同类型的消息
Kafka
中的 Topic
要承受非常大的吞吐量, 所以 Topic
应该是可以分片的, 应该是分布式的
4.2.2. Kafka 和 Structured Streaming 整合的结构
步骤
Topic
的Offset
Kafka
和Structured Streaming
的整合结构Structured Streaming
读取Kafka
消息的三种方式
Topic 的 Offset
Topic
是分区的, 每一个 Topic
的分区分布在不同的 Broker
上
每个分区都对应一系列的 Log
文件, 消息存在于 Log
中, 消息的 ID
就是这条消息在本分区的 Offset
偏移量
Offset
又称作为偏移量, 其实就是一个东西距离另外一个东西的距离
Kafka
中使用 Offset
命名消息, 而不是指定 ID
的原因是想表示永远自增, ID
是可以指定的, 但是 Offset
只能是一个距离值, 它只会越来越大, 所以, 叫做 Offset
而不叫 ID
也是这个考虑, 消息只能追加到 Log
末尾, 只能增长不能减少
Kafka 和 Structured Streaming 整合的结构
Structured Streaming
中使用 Source
对接外部系统, 对接 Kafka
的 Source
叫做 KafkaSource
KafkaSource
中会使用 KafkaSourceRDD
来映射外部 Kafka
的 Topic
, 两者的 Partition
一一对应
Structured Streaming
会并行的从 Kafka
中获取数据
Structured Streaming 读取 Kafka 消息的三种方式
Earliest
从每个 Kafka
分区最开始处开始获取
Assign
手动指定每个 Kafka
分区中的 Offset
Latest
不再处理之前的消息, 只获取流计算启动后新产生的数据
总结
Kafka
中的消息存放在某个 Topic
的某个 Partition
中, 消息是不可变的, 只会在消息过期的时候从最早的消息开始删除, 消息的 ID
也叫做 Offset
, 并且只能正增长
Structured Streaming
整合 Kafka
的时候, 会并行的通过 Offset
从所有 Topic
的 Partition
中获取数据
Structured Streaming
在从 Kafka
读取数据的时候, 可以选择从最早的地方开始读取, 也可以选择从任意位置读取, 也可以选择只读取最新的
4.2.3. 需求介绍
需求
1.模拟一个智能物联网系统的数据统计
有一个智能家居品牌叫做 Nest
, 他们主要有两款产品, 一个是恒温器, 一个是摄像头
恒温器的主要作用是通过感应器识别家里什么时候有人, 摄像头主要作用是通过学习算法来识别出现在摄像头中的人是否是家里人, 如果不是则报警
所以这两个设备都需要统计一个指标, 就是家里什么时候有人, 此需求就是针对这个设备的一部分数据, 来统计家里什么时候有人
2.使用生产者在 Kafka 的 Topic : streaming-test 中输入 JSON 数据
{"devices": {"cameras": {"device_id": "awJo6rH","last_event": {"has_sound": true,"has_motion": true,"has_person": true,"start_time": "2019-12-29T00:00:00.000Z","end_time": "2019-12-29T18:42:00.000Z"}}}
}
3.使用 Structured Streaming 来过滤出来家里有人的数据
把数据转换为 时间 → 是否有人
这样类似的形式
数据转换
JSON
数据本质上就是字符串, 只不过这个字符串是有结构的, 虽然有结构, 但是很难直接从字符串中取出某个值
而反序列化, 就是指把 JSON
数据转为对象, 或者转为 DataFrame
, 可以直接使用某一个列或者某一个字段获取数据, 更加方便,而想要做到这件事, 必须要先根据数据格式, 编写 Schema
对象, 从而通过一些方式转为 DataFrame
val eventType = new StructType().add("has_sound", BooleanType, nullable = true).add("has_motion", BooleanType, nullable = true).add("has_person", BooleanType, nullable = true).add("start_time", DateType, nullable = true).add("end_time", DateType, nullable = true)val camerasType = new StructType().add("device_id", StringType, nullable = true).add("last_event", eventType, nullable = true)val devicesType = new StructType().add("cameras", camerasType, nullable = true)val schema = new StructType().add("devices", devicesType, nullable = true)
4.2.4. 使用 Spark 流计算连接 Kafka 数据源
创建 Topic 并输入数据到 Topic
1.使用命令创建 Topic
bin/kafka-topics.sh --create --topic streaming_test --replication-factor 1 --partitions 3 --zookeeper node01:2181
2.开启 Producer
bin/kafka-console-producer.sh --broker-list node01:9092,node02:9092,node03:9092 --topic streaming_test
3.把 JSON
转为单行输入
{"devices":{"cameras":{"device_id":"awJo6rH","last_event":{"has_sound":true,"has_motion":true,"has_person":true,"start_time":"2019-12-29T00:00:00.000Z","end_time":"2019-12-29T18:42:00.000Z"}}}}
使用 Spark 读取 Kafka 的 Topic
1.编写 Spark
代码读取 Kafka Topic
val source = spark.readStream.format("kafka").option("kafka.bootstrap.servers", "node01:9092,node01:9092,node03:9092").option("subscribe", "streaming_test").option("startingOffsets", "earliest").load()
三个参数
kafka.bootstrap.servers
: 指定Kafka
的Server
地址subscribe
: 要监听的Topic
, 可以传入多个, 传入多个 Topic 则监听多个 Topic, 也可以使用topic-*
这样的通配符写法startingOffsets
: 从什么位置开始获取数据, 可选值有earliest
,assign
,latest
format
设置为 Kafka
指定使用 KafkaSource
读取数据
2.思考: 从 Kafka
中应该获取到什么?
业务系统有很多种类型, 有可能是 Web
程序, 有可能是物联网
前端大多数情况下使用 JSON
做数据交互
问题1: 业务系统如何把数据给 Kafka
?
可以主动或者被动的把数据交给 Kafka
, 但是无论使用什么方式, 都在使用 Kafka
的 Client
类库来完成这件事, Kafka
的类库调用方式如下
Producer<String, String> producer = new KafkaProducer<String, String>(properties);
producer.send(new ProducerRecord<String, String>("HelloWorld", msg));
其中发给 Kafka
的消息是 KV
类型的
问题2: 使用 Structured Streaming
访问 Kafka
获取数据的时候, 需要什么东西呢?
- 存储当前处理过的
Kafka
的Offset
- 对接多个
Kafka Topic
的时候, 要知道这条数据属于哪个Topic
结论
Kafka
中收到的消息是KV
类型的, 有Key
, 有Value
Structured Streaming
对接Kafka
的时候, 每一条Kafka
消息不能只是KV
, 必须要有Topic
,Partition
之类的信息
3.从 Kafka
获取的 DataFrame
格式
source.printSchema()
结果如下
root|-- key: binary (nullable = true)|-- value: binary (nullable = true)|-- topic: string (nullable = true)|-- partition: integer (nullable = true)|-- offset: long (nullable = true)|-- timestamp: timestamp (nullable = true)|-- timestampType: integer (nullable = true)
从 Kafka
中读取到的并不是直接是数据, 而是一个包含各种信息的表格, 其中每个字段的含义如下
4.2.5. JSON 解析和数据统计
JSON 解析
1.准备好 JSON
所在的列
由 Dataset
的结构可以知道 key
和 value
列的类型都是 binary
二进制, 所以要将其转为字符串, 才可进行 JSON
解析
source.selectExpr("CAST(key AS STRING) as key", "CAST(value AS STRING) as value")
2.编写 Schema
对照 JSON
的格式
Key
要对应JSON
中的Key
Value
的类型也要对应JSON
中的Value
类型
val eventType = new StructType().add("has_sound", BooleanType, nullable = true).add("has_motion", BooleanType, nullable = true).add("has_person", BooleanType, nullable = true).add("start_time", DateType, nullable = true).add("end_time", DateType, nullable = true)val camerasType = new StructType().add("device_id", StringType, nullable = true).add("last_event", eventType, nullable = true)val devicesType = new StructType().add("cameras", camerasType, nullable = true)val schema = new StructType().add("devices", devicesType, nullable = true)
3.因为 JSON
中包含 Date
类型的数据, 所以要指定时间格式化方式
val jsonOptions = Map("timestampFormat" -> "yyyy-MM-dd'T'HH:mm:ss.sss'Z'")
4.使用 from_json
这个 UDF
格式化 JSON
.select(from_json('value, schema, jsonOptions).alias("parsed_value"))
5.选择格式化过后的 JSON
中的字段
因为 JSON
被格式化过后, 已经变为了 StructType
, 所以可以直接获取其中某些字段的值
.selectExpr("parsed_value.devices.cameras.last_event.has_person as has_person","parsed_value.devices.cameras.last_event.start_time as start_time")
数据处理
1.统计各个时段有人的数据
.filter('has_person === true)
.groupBy('has_person, 'start_time)
.count()
2.将数据落地到控制台
result.writeStream.outputMode(OutputMode.Complete()).format("console").start().awaitTermination()
全部完整代码
import org.apache.spark.sql.SparkSessionval spark = SparkSession.builder().master("local[6]").appName("kafka integration").getOrCreate()import org.apache.spark.sql.streaming.OutputMode
import org.apache.spark.sql.types._val source = spark.readStream.format("kafka").option("kafka.bootstrap.servers", "node01:9092,node02:9092,node03:9092").option("subscribe", "streaming_test").option("startingOffsets", "earliest").load()val eventType = new StructType().add("has_sound", BooleanType, nullable = true).add("has_motion", BooleanType, nullable = true).add("has_person", BooleanType, nullable = true).add("start_time", DateType, nullable = true).add("end_time", DateType, nullable = true)val camerasType = new StructType().add("device_id", StringType, nullable = true).add("last_event", eventType, nullable = true)val devicesType = new StructType().add("cameras", camerasType, nullable = true)val schema = new StructType().add("devices", devicesType, nullable = true)val jsonOptions = Map("timestampFormat" -> "yyyy-MM-dd'T'HH:mm:ss.sss'Z'")import org.apache.spark.sql.functions._
import spark.implicits._val result = source.selectExpr("CAST(key AS STRING) as key", "CAST(value AS STRING) as value").select(from_json('value, schema, jsonOptions).alias("parsed_value")).selectExpr("parsed_value.devices.cameras.last_event.has_person as has_person","parsed_value.devices.cameras.last_event.start_time as start_time").filter('has_person === true).groupBy('has_person, 'start_time).count()result.writeStream.outputMode(OutputMode.Complete()).format("console").start().awaitTermination()
运行测试
1.进入服务器中, 启动 Kafka
2.启动 Kafka
的 Producer
bin/kafka-console-producer.sh --broker-list node01:9092,node02:9092,node03:9092 --topic streaming_test
3.启动 Spark shell
并拷贝代码进行测试
./bin/spark-shell --packages org.apache.spark:spark-sql-kafka-0-10_2.11:2.2.0
因为需要和 Kafka
整合, 所以在启动的时候需要加载和 Kafka
整合的包 spark-sql-kafka-0-10
5. Sink
5.1. HDFS Sink
场景
Kafka
往往作为数据系统和业务系统之间的桥梁
数据系统一般由批量处理和流式处理两个部分组成
在 Kafka
作为整个数据平台入口的场景下, 需要使用 StructuredStreaming
接收 Kafka
的数据并放置于 HDFS
上, 后续才可以进行批量处理
案例需求
从 Kafka
接收数据, 从给定的数据集中, 裁剪部分列, 落地于 HDFS
代码实现
import org.apache.spark.sql.SparkSessionval spark = SparkSession.builder().master("local[6]").appName("hdfs sink").getOrCreate()import spark.implicits._val source = spark.readStream.format("kafka").option("kafka.bootstrap.servers", "node01:9092,node02:9092,node03:9092").option("subscribe", "streaming-bank").option("startingOffsets", "earliest").load()//从 DataFrame 中取出表示 Kafka 消息内容的 value 列并转为 String 类型.selectExpr("CAST(value AS STRING)").as[String]val result = source.map {item =>val arr = item.replace("\"", "").split(";")(arr(0).toInt, arr(1).toInt, arr(5).toInt)
}
.as[(Int, Int, Int)]
.toDF("age", "job", "balance")result.writeStream.format("parquet") // 也可以是 "orc", "json", "csv" 等.option("path", "/dataset/streaming/result/").start()
5.2. Kafka Sink
场景
有很多时候, ETL
过后的数据, 需要再次放入 Kafka
在 Kafka
后, 可能会有流式程序统一将数据落地到 HDFS
或者 HBase
案例需求
从 Kafka
中获取数据, 简单处理, 再次放入 Kafka
代码实现
import org.apache.spark.sql.SparkSessionval spark = SparkSession.builder().master("local[6]").appName("kafka integration").getOrCreate()import spark.implicits._val source = spark.readStream.format("kafka").option("kafka.bootstrap.servers", "node01:9092,node02:9092,node03:9092").option("subscribe", "streaming-bank").option("startingOffsets", "earliest").load().selectExpr("CAST(value AS STRING)").as[String]val result = source.map {item =>val arr = item.replace("\"", "").split(";")(arr(0).toInt, arr(1).toInt, arr(5).toInt)
}
.as[(Int, Int, Int)]
.toDF("age", "job", "balance")result.writeStream.format("kafka").outputMode(OutputMode.Append()).option("kafka.bootstrap.servers", "node01:9092,node02:9092,node03:9092").option("topic", "streaming-bank-result").start().awaitTermination()
5.3. ForeachWriter
场景
大数据有一个常见的应用场景
- 收集业务系统数据
- 数据处理
- 放入
OLTP
数据 - 外部通过
ECharts
展示
这个场景下, StructuredStreaming
就需要处理数据并放入 MySQL
或者 MongoDB
, HBase
中以供 Web
程序可以获取数据, 图表的形式展示在前端
Foreach 模式
起因
- 在
Structured Streaming
中, 并未提供完整的MySQL/JDBC
整合工具 - 不止
MySQL
和JDBC
, 可能会有其它的目标端需要写入 - 很多时候
Structured Streaming
需要对接一些第三方的系统, 例如阿里云的云存储, 亚马逊云的云存储等, 但是Spark
无法对所有第三方都提供支持, 有时候需要自己编写
解决方案
既然无法满足所有的整合需求, StructuredStreaming
提供了 Foreach
, 可以拿到每一个批次的数据
通过 Foreach
拿到数据后, 可以通过自定义写入方式, 从而将数据落地到其它的系统
案例需求
从 Kafka
中获取数据, 处理后放入 MySQL
代码实现
import org.apache.spark.sql.SparkSessionval spark = SparkSession.builder().master("local[6]").appName("foreach sink").getOrCreate()import spark.implicits._val source = spark.readStream.format("kafka").option("kafka.bootstrap.servers", "node01:9092,node02:9092,node03:9092").option("subscribe", "streaming-bank").option("startingOffsets", "earliest").load().selectExpr("CAST(value AS STRING)").as[String]val result = source.map {item =>val arr = item.replace("\"", "").split(";")(arr(0).toInt, arr(1).toInt, arr(5).toInt)
}
.as[(Int, Int, Int)]
.toDF("age", "job", "balance")class MySQLWriter extends ForeachWriter[Row] {val driver = "com.mysql.jdbc.Driver"var statement: Statement = _var connection: Connection = _val url: String = "jdbc:mysql://node03:3306/streaming-bank-result"val user: String = "root"val pwd: String = "123456"override def open(partitionId: Long, version: Long): Boolean = {Class.forName(driver)connection = DriverManager.getConnection(url, user, pwd)this.statement = connection.createStatementtrue}override def process(value: Row): Unit = {statement.executeUpdate(s"insert into bank values(" +s"${value.getAs[Int]("age")}, " +s"${value.getAs[Int]("job")}, " +s"${value.getAs[Int]("balance")} )")}override def close(errorOrNull: Throwable): Unit = {connection.close()}
}result.writeStream.foreach(new MySQLWriter).start().awaitTermination()
5.4. 自定义 Sink
Spark 加载 Sink 流程分析
Sink 加载流程
1.writeStream
方法中会创建一个 DataStreamWriter
对象
def writeStream: DataStreamWriter[T] = {if (!isStreaming) {logicalPlan.failAnalysis("'writeStream' can be called only on streaming Dataset/DataFrame")}new DataStreamWriter[T](this)
}
2.在 DataStreamWriter
对象上通过 format
方法指定 Sink
的短名并记录下来
def format(source: String): DataStreamWriter[T] = {this.source = sourcethis
}
3.最终会通过 DataStreamWriter
对象上的 start
方法启动执行, 其中会通过短名创建 DataSource
val dataSource =DataSource(df.sparkSession,//传入的 Sink 短名className = source, options = extraOptions.toMap,partitionColumns = normalizedParCols.getOrElse(Nil))
4.在创建 DataSource
的时候, 会通过一个复杂的流程创建出对应的 Source
和 Sink
lazy val providingClass: Class[_] = DataSource.lookupDataSource(className)
5.在这个复杂的创建流程中, 有一行最关键的代码, 就是通过 Java
的类加载器加载所有的 DataSourceRegister
val serviceLoader = ServiceLoader.load(classOf[DataSourceRegister], loader)
6.在 DataSourceRegister
中会创建对应的 Source
或者 Sink
trait DataSourceRegister {//提供短名def shortName(): String
}trait StreamSourceProvider {//创建 Sourcedef createSource( sqlContext: SQLContext,metadataPath: String,schema: Option[StructType],providerName: String,parameters: Map[String, String]): Source
}trait StreamSinkProvider {//创建 Sinkdef createSink( sqlContext: SQLContext,parameters: Map[String, String],partitionColumns: Seq[String],outputMode: OutputMode): Sink
}
自定义 Sink 的方式
根据前面的流程说明, 有两点非常重要
Spark
会自动加载所有DataSourceRegister
的子类, 所以需要通过DataSourceRegister
加载Source
和Sink
- Spark 提供了
StreamSinkProvider
用以创建Sink
, 提供必要的依赖
所以如果要创建自定义的 Sink
, 需要做两件事
- 创建一个注册器, 继承
DataSourceRegister
提供注册功能, 继承StreamSinkProvider
获取创建Sink
的必备依赖 - 创建一个
Sink
子类
代码实现
import org.apache.spark.sql.SparkSessionval spark = SparkSession.builder().master("local[6]").appName("kafka integration").getOrCreate()import spark.implicits._val source = spark.readStream.format("kafka").option("kafka.bootstrap.servers", "node01:9092,node02:9092,node03:9092").option("subscribe", "streaming-bank").option("startingOffsets", "earliest").load().selectExpr("CAST(value AS STRING)").as[String]val result = source.map {item =>val arr = item.replace("\"", "").split(";")(arr(0).toInt, arr(1).toInt, arr(5).toInt)
}.as[(Int, Int, Int)].toDF("age", "job", "balance")class MySQLSink(options: Map[String, String], outputMode: OutputMode) extends Sink {override def addBatch(batchId: Long, data: DataFrame): Unit = {val userName = options.get("userName").orNullval password = options.get("password").orNullval table = options.get("table").orNullval jdbcUrl = options.get("jdbcUrl").orNullval properties = new Propertiesproperties.setProperty("user", userName)properties.setProperty("password", password)data.write.mode(outputMode.toString).jdbc(jdbcUrl, table, properties)}
}class MySQLStreamSinkProvider extends StreamSinkProvider with DataSourceRegister {override def createSink(sqlContext: SQLContext,parameters: Map[String, String],partitionColumns: Seq[String],outputMode: OutputMode): Sink = {new MySQLSink(parameters, outputMode)}override def shortName(): String = "mysql"
}result.writeStream.format("mysql").option("username", "root").option("password", "root").option("table", "streaming-bank-result").option("jdbcUrl", "jdbc:mysql://node01:3306/test").start().awaitTermination()
5.5. Tigger
微批次处理
什么是微批次
并不是真正的流, 而是缓存一个批次周期的数据, 后处理这一批次的数据
通用流程
步骤
- 根据
Spark
提供的调试用的数据源Rate
创建流式DataFrame
Rate
数据源会定期提供一个由两列timestamp, value
组成的数据,value
是一个随机数
- 处理和聚合数据, 计算每个个位数和十位数各有多少条数据
- 对
value
求log10
即可得出其位数 - 后按照位数进行分组, 最终就可以看到每个位数的数据有多少个
- 对
代码
val spark = SparkSession.builder().master("local[6]").appName("socket_processor").getOrCreate()import org.apache.spark.sql.functions._
import spark.implicits._spark.sparkContext.setLogLevel("ERROR")val source = spark.readStream.format("rate").load()val result = source.select(log10('value) cast IntegerType as 'key, 'value).groupBy('key).agg(count('key) as 'count).select('key, 'count).where('key.isNotNull).sort('key.asc)
默认方式划分批次
默认情况下的 Structured Streaming
程序会运行在微批次的模式下, 当一个批次结束后, 下一个批次会立即开始处理
指定落地到 Console
中, 不指定 Trigger
result.writeStream.outputMode(OutputMode.Complete()).format("console").start().awaitTermination()
按照固定时间间隔划分批次
使用微批次处理数据, 使用用户指定的时间间隔启动批次, 如果间隔指定为 0
, 则尽可能快的去处理, 一个批次紧接着一个批次
- 如果前一批数据提前完成, 待到批次间隔达成的时候再启动下一个批次
- 如果前一批数据延后完成, 下一个批次会在前面批次结束后立即启动
- 如果没有数据可用, 则不启动处理
通过 Trigger.ProcessingTime()
指定处理间隔
result.writeStream.outputMode(OutputMode.Complete()).format("console").trigger(Trigger.ProcessingTime("2 seconds")).start().awaitTermination()
一次性划分批次
只划分一个批次, 处理完成以后就停止 Spark
工作, 当需要启动一下 Spark
处理遗留任务的时候, 处理完就关闭集群的情况下, 这个划分方式非常实用
使用 Trigger.Once
一次性划分批次
result.writeStream.outputMode(OutputMode.Complete()).format("console").trigger(Trigger.Once()).start().awaitTermination()
连续流处理
微批次会将收到的数据按照批次划分为不同的 DataFrame
, 后执行 DataFrame
, 所以其数据的处理延迟取决于每个 DataFrame
的处理速度, 最快也只能在一个 DataFrame
结束后立刻执行下一个, 最快可以达到 100ms
左右的端到端延迟
而连续流处理可以做到大约 1ms
的端到端数据处理延迟,连续流处理可以达到 at-least-once
的容错语义,从 Spark 2.3
版本开始支持连续流处理
用特殊的 Trigger
完成功能
result.writeStream.outputMode(OutputMode.Complete()).format("console").trigger(Trigger.Continuous("1 second")).start().awaitTermination()
限制
- 只支持
Map
类的有类型操作 - 只支持普通的的
SQL
类操作, 不支持聚合 Source
只支持Kafka
Sink
只支持Kafka
,Console
,Memory
5.6. 从 Source 到 Sink 的流程
- 在每个
StreamExecution
的批次最开始,StreamExecution
会向Source
询问当前Source
的最新进度, 即最新的offset
StreamExecution
将Offset
放到WAL
里StreamExecution
从Source
获取start offset
,end offset
区间内的数据StreamExecution
触发计算逻辑logicalPlan
的优化与编译- 计算结果写出给
Sink
- 调用
Sink.addBatch(batchId: Long, data: DataFrame)
完成 - 此时才会由
Sink
的写入操作开始触发实际的数据获取和计算过程
- 调用
- 在数据完整写出到
Sink
后,StreamExecution
通知Source
批次id
写入到batchCommitLog
, 当前批次结束
5.7. 错误恢复和容错语义
端到端
Source
可能是 Kafka
, HDFS
Sink
也可能是 Kafka
, HDFS
, MySQL
等存储服务
消息从 Source
取出, 经过 Structured Streaming
处理, 最后落地到 Sink
的过程, 叫做端到端
三种容错语义
at-most-once
在数据从 Source
到 Sink
的过程中, 出错了, Sink
可能没收到数据, 但是不会收到两次, 叫做 at-most-once
一般错误恢复的时候, 不重复计算, 则是 at-most-once
at-least-once
在数据从 Source
到 Sink
的过程中, 出错了, Sink
一定会收到数据, 但是可能收到两次, 叫做 at-least-once
一般错误恢复的时候, 重复计算可能完成也可能未完成的计算, 则是 at-least-once
exactly-once
在数据从 Source
到 Sink
的过程中, 虽然出错了, Sink
一定恰好收到应该收到的数据, 一条不重复也一条都不少, 即是 exactly-once
,想做到 exactly-once
是非常困难的
Sink 的容错
故障恢复一般分为 Driver
的容错和 Task
的容错
Driver
的容错指的是整个系统都挂掉了Task
的容错指的是一个任务没运行明白, 重新运行一次
因为 Spark
的 Executor
能够非常好的处理 Task
的容错, 所以我们主要讨论 Driver
的容错
读取
WAL offsetlog
恢复出最新的offsets
当
StreamExecution
找到Source
获取数据的时候, 会将数据的起始放在WAL offsetlog
中, 当出错要恢复的时候, 就可以从中获取当前处理批次的数据起始, 例如Kafka
的Offset
读取
batchCommitLog
决定是否需要重做最近一个批次当
Sink
处理完批次的数据写入时, 会将当前的批次ID
存入batchCommitLog
, 当出错的时候就可以从中取出进行到哪一个批次了, 和WAL
对比即可得知当前批次是否处理完如果有必要的话, 当前批次数据重做
- 如果上次执行在
(5)
结束前即失效, 那么本次执行里Sink
应该完整写出计算结果 - 如果上次执行在
(5)
结束后才失效, 那么本次执行里Sink
可以重新写出计算结果 (覆盖上次结果), 也可以跳过写出计算结果(因为上次执行已经完整写出过计算结果了)
- 如果上次执行在
这样即可保证每次执行的计算结果, 在 Sink 这个层面, 是
不重不丢
的, 即使中间发生过失效和恢复, 所以Structured Streaming
可以做到exactly-once
容错所需要的存储
offsetlog
和 batchCommitLog
关乎于错误恢复
offsetlog
和 batchCommitLog
需要存储在可靠的空间里
offsetlog
和 batchCommitLog
存储在 Checkpoint
中
WAL
其实也存在于 Checkpoint
中
只有指定了 Checkpoint
路径的时候, 对应的容错功能才可以开启
aggDF.writeStream.outputMode("complete")//指定 Checkpoint 的路径, 这个路径对应的目录必须是 HDFS 兼容的文件系统.option("checkpointLocation", "path/to/HDFS/dir") .format("memory").start()
需要的外部支持
如果要做到 exactly-once
, 只是 Structured Streaming
能做到还不行, 还需要 Source
和 Sink
系统的支持
1.Source
需要支持数据重放
当有必要的时候, Structured Streaming
需要根据 start
和 end offset
从 Source
系统中再次获取数据, 这叫做重放
2.Sink
需要支持幂等写入
如果需要重做整个批次的时候, Sink
要支持给定的 ID
写入数据, 这叫幂等写入, 一个 ID
对应一条数据进行写入, 如果前面已经写入, 则替换或者丢弃, 不能重复
所以 Structured Streaming
想要做到 exactly-once
, 则也需要外部系统的支持, 如下
6. 算子
无状态算子
有状态算子
有中间状态需要保存
增量查询
6.1. 常规算子
需求
给定电影评分数据集 ratings.dat
, 位置在 Spark/Files/Dataset/Ratings/ratings.dat
筛选评分超过三分的电影
以追加模式展示数据, 以流的方式来一批数据处理一批数据, 最终每一批次展示为如下效果
+------+-------+
|Rating|MovieID|
+------+-------+
| 5| 1193|
| 4| 3408|
+------+-------+
步骤
- 创建 SparkSession
- 读取并处理数据结构
- 处理数据
- 选择要展示的列
- 筛选超过三分的数据
- 追加模式展示数据到控制台
代码
读取文件的时候只能读取一个文件夹, 因为是流的操作, 流的场景是源源不断有新的文件读取
val source = spark.readStream.textFile("dataset/ratings").map(line => {val columns = line.split("::")(columns(0).toInt, columns(1).toInt, columns(2).toInt, columns(3).toLong)}).toDF("UserID", "MovieID", "Rating", "Timestamp")val result = source.select('Rating, 'MovieID).where('Rating > 3)
针对静态数据集的很多转换算子, 都可以应用在流式的 Dataset
上, 例如 Map
, FlatMap
, Where
, Select
等
6.2. 分组算子
需求
给定电影数据集 movies.dat
, 其中三列 MovieID
, Title
, Genres
统计每个分类下的电影数量
步骤
创建
SparkSession
读取数据集, 并组织结构
注意
Genres
是genres1|genres2
形式, 需要分解为数组使用
explode
函数将数组形式的分类变为单值多条形式分组聚合
Genres
输出结果
代码
val source = spark.readStream.textFile("dataset/movies").map(line => {val columns = line.split("::")(columns(0).toInt, columns(1).toString, columns(2).toString.split("\\|"))}).toDF("MovieID", "Title", "Genres")val result = source.select(explode('Genres) as 'Genres).groupBy('Genres).agg(count('Genres) as 'Count)result.writeStream.outputMode(OutputMode.Complete()).format("console").queryName("genres_count").start().awaitTermination()
Structured Streaming
不仅支持 groupBy
, 还支持 groupByKey
Structured Streaming基础入门相关推荐
- Structured Streaming 开发入门
Structured Streaming 作为 Spark 家族的新成员,通过 Spark SQL/DataFrame 来处理 Batch/Streaming 数据,基本的 SparkSQL API ...
- Structured Streaming《入门示例》
概述: Structured Streaming 是一个构建在Spark SQL 引擎上,可扩展,容错的的流处理引擎.您可以像编写静态数据的批处理程序一样,编写流处理程序.Spark SQL 引擎会增 ...
- 【Spark分布式内存计算框架——Structured Streaming】3. Structured Streaming —— 入门案例:WordCount
1.3 入门案例:WordCount 入门案例与SparkStreaming的入门案例基本一致:实时从TCP Socket读取数据(采用nc)实时进行词频统计WordCount,并将结果输出到控制台C ...
- Structured Streaming 入门案例之WordCount
1.编写一个流式计算的应用, 不断的接收外部系统的消息 2.对消息中的单词进行词频统计 3.统计全局的结果 步骤 Socket Server 等待 Structured Streaming 程序连接 ...
- Structured Streaming系列-1、Structured Streaming
版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明. 传送门:大数据系列文章目录 官方网址:http://spark.apache.org/. ht ...
- 大数据Spark Structured Streaming
目录 1 Spark Streaming 不足 2 Structured Streaming 概述 2.1 模块介绍 2.3 编程模型 3 入门案例:WordCount 3.1 功能演示 3.2 So ...
- 2021年大数据Spark(四十五):Structured Streaming Sources 输入源
目录 Sources 输入源 Socket数据源-入门案例 需求 编程实现 文件数据源-了解 需求 代码实现 Rate source-了解 So ...
- 2021年大数据Spark(四十四):Structured Streaming概述
Apache Spark在2016年的时候启动了Structured Streaming项目,一个基于Spark SQL的全新流计算引擎Structured Streaming,让用户像编写批处理程序 ...
- Kafka教程(一)基础入门:基本概念、安装部署、运维监控、命令行使用
Kafka教程(一)基础入门 1.基本概念 背景 领英->Apache 分布式.消息发布订阅系统 角色 存储系统 消息系统 流处理平台-Kafka Streaming 特点 高吞吐.低延迟 cg ...
最新文章
- 360度看IT行业--3月12日西安工程大学讲座
- wordpress搭建个人博客
- 学习Linux的一些建议
- Object.prototype 原型和原型链
- iphone微信美颜插件_iOS13.5 插件分享
- python矩阵所有元素取整_Python中如何对一个数值进行取整操作呢?
- 在Linux下安装和使用MySQL
- 电脑机房用成品——名词解释
- MS SQL的某一数据库成了Single User模式
- 密度聚类算法python详解_python实现密度聚类(模板代码+sklearn代码)
- VC网络编程实战视频教程
- 设置背景颜色html,css怎么设置背景颜色?
- About Config
- uniapp中调用QQ一键登录实现方法
- java 空白图片_图片文件打印空白的解决办法
- YoLo卷积神经网络各层计算,卷积层计算输入的图片大小是448*448*3输出224*224*64原因?
- 线程、多线程、线程池总结
- 万字长文回顾智能驾驶进化史
- 性能领域:你知道的越多,不知道的也就越多
- 岗位po是什么意思_po主是什么意思