用户
 找回密码
 立即注册

QQ登录

只需一步,快速开始

搜索
查看: 1992|回复: 0

SparkStreaming之foreachRDD

[复制链接]

394

主题

412

帖子

2065

积分

管理员

Rank: 9Rank: 9Rank: 9

积分
2065

活跃会员热心会员推广达人宣传达人灌水之王突出贡献优秀版主荣誉管理论坛元老

发表于 2017-1-3 16:36:01 | 显示全部楼层 |阅读模式

首先我们来对官网的描述了解一下。

DStream中的foreachRDD是一个非常强大函数,它允许你把数据发送给外部系统。因为输出操作实际上是允许外部系统消费转换后的数据,它们触发的实际操作是DStream转换。所以要掌握它,对它要有深入了解。下面有一些常用的错误需要理解。经常写数据到外部系统需要创建一个连接的object(eg:根据TCP协议连接到远程的服务器,我们连接外部数据库需要自己的句柄)和发送数据到远程的系统为此,开发者需要在Spark的driver创建一个object用于连接。

为了达到这个目的,开发人员可能不经意的在Spark驱动中创建一个连接对象,但是在Spark worker中 尝试调用这个连接对象保存记录到RDD中,如下:

[Scala] 纯文本查看 复制代码
dstream.foreachRDD { rdd =>
  val connection = createNewConnection()  // executed at the driver
  rdd.foreach { record =>
    connection.send(record) // executed at the worker
  }
}

这是不正确的,因为这需要先序列化连接对象,然后将它从driver发送到worker中。这样的连接对象在机器之间不能

传送。它可能表现为序列化错误(连接对象不可序列化)或者初始化错误(连接对象应该 在worker中初始化)等

等。正确的解决办法是在worker中创建连接对象。

然而,这会造成另外一个常见的错误-为每一个记录创建了一个连接对象。例如:
[Scala] 纯文本查看 复制代码
dstream.foreachRDD { rdd =>
  rdd.foreach { record =>
    val connection = createNewConnection()
    connection.send(record)
    connection.close()
  }
}


通常,创建一个连接对象有资源和时间的开支。因此,为每个记录创建和销毁连接对象会导致非常高的开支,明显

的减少系统的整体吞吐量。一个更好的解决办法是利用rdd.foreachPartition方法。 为RDD的partition创建一个连接对

象,用这个两件对象发送partition中的所有记录。

[Scala] 纯文本查看 复制代码
dstream.foreachRDD { rdd =>
  rdd.foreachPartition { partitionOfRecords =>
    val connection = createNewConnection()
    partitionOfRecords.foreach(record => connection.send(record))
    connection.close()
  }
}

最后,可以通过在多个RDD或者批数据间重用连接对象做更进一步的优化。开发者可以保有一个静态的连接对象

池,重复使用池中的对象将多批次的RDD推送到外部系统,以进一步节省开支

[Scala] 纯文本查看 复制代码
dstream.foreachRDD { rdd =>
  rdd.foreachPartition { partitionOfRecords =>
    // ConnectionPool is a static, lazily initialized pool of connections
    val connection = ConnectionPool.getConnection()
    partitionOfRecords.foreach(record => connection.send(record))
    ConnectionPool.returnConnection(connection)  // return to the pool for future reuse
  }
}


需要注意的是,池中的连接对象应该根据需要延迟创建,并且在空闲一段时间后自动超时。这样就获取了最有效的

方式发生数据到外部系统。

其它需要注意的地方:

(1)输出操作通过懒执行的方式操作DStreams,正如RDD action通过懒执行的方式操作RDD。具体地看,RDD

actions和DStreams输出操作接收数据的处理。因此,如果你的应用程序没有任何输出操作或者 用于输出操作

dstream.foreachRDD(),但是没有任何RDD action操作在dstream.foreachRDD()里面,那么什么也不会执行。系统

仅仅会接收输入,然后丢弃它们。

(2)默认情况下,DStreams输出操作是分时执行的,它们按照应用程序的定义顺序按序执行。


实验1:把SparkStreaming的内部数据存入Mysql

(1)在mysql中创建一个表用于存放数据

[Scala] 纯文本查看 复制代码
mysql> create database sparkStreaming;  
Query OK, 1 row affected (0.01 sec)  
   
mysql> use sparkStreaming;  
Database changed  
mysql> show tables;  
Empty set (0.01 sec)  
   
mysql> create table searchKeyWord(insert_time date,keyword varchar(30),search_count integer);  
Query OK, 0 rows affected (0.05 sec)  
  


(2)用scala编写连接Mysql的连接池

[Scala] 纯文本查看 复制代码
import java.sql.Connection  
import java.sql.PreparedStatement  
import java.sql.ResultSet  
  
import org.apache.commons.dbcp.BasicDataSource  
import org.apache.log4j.Logger  
  
object scalaConnectPool {  
  val  log = Logger.getLogger(scalaConnectPool.this.getClass)  
  var ds:BasicDataSource = null  
  def getDataSource={  
    if(ds == null){  
      ds = new BasicDataSource()  
      ds.setUsername("root")  
      ds.setPassword("iamhaoren")  
      ds.setUrl("jdbc:mysql://localhost:3306/sparkStreaming")  
      ds.setDriverClassName("com.mysql.jdbc.Driver")  
      ds.setInitialSize(20)  
      ds.setMaxActive(100)  
      ds.setMinIdle(50)  
      ds.setMaxIdle(100)  
      ds.setMaxWait(1000)  
      ds.setMinEvictableIdleTimeMillis(5*60*1000)  
      ds.setTimeBetweenEvictionRunsMillis(10*60*1000)  
      ds.setTestOnBorrow(true)  
    }  
    ds  
  }  
  
  def getConnection : Connection= {  
    var connect:Connection = null  
    try {  
      if(ds != null){  
        connect = ds.getConnection  
      }else{  
        connect = getDataSource.getConnection  
      }  
    }  
    connect  
  }  
  
  def shutDownDataSource: Unit=if (ds !=null){ds.close()}  
  
  def closeConnection(rs:ResultSet,ps:PreparedStatement,connect:Connection): Unit ={  
    if(rs != null){rs.close}  
    if(ps != null){ps.close}  
    if(connect != null){connect.close}  
  }  
  
}  

(3)编写SparkStreaming程序
[Scala] 纯文本查看 复制代码
import org.apache.spark.SparkConf  
import org.apache.spark.streaming.{Seconds, StreamingContext}  
  
object dataToMySQL {  
  def main(args: Array[String]) {  
    val conf = new SparkConf().setAppName("use the foreachRDD write data to mysql").setMaster("local[2]")  
    val ssc = new StreamingContext(conf,Seconds(10))  
  
    val streamData = ssc.socketTextStream("master",9999)  
    val wordCount = streamData.map(line =>(line.split(",")(0),1)).reduceByKeyAndWindow(_+_,Seconds(60))  
    val hottestWord = wordCount.transform(itemRDD => {  
      val top3 = itemRDD.map(pair => (pair._2, pair._1))  
        .sortByKey(false).map(pair => (pair._2, pair._1)).take(3)  
      ssc.sparkContext.makeRDD(top3)  
    })  
  
  
    hottestWord.foreachRDD( rdd =>{  
      rdd.foreachPartition(partitionOfRecords =>{  
        val connect = scalaConnectPool.getConnection  
        connect.setAutoCommit(false)  
        val stmt = connect.createStatement()  
        partitionOfRecords.foreach(record =>{  
          stmt.addBatch("insert into searchKeyWord (insert_time,keyword,search_count) values (now(),'"+record._1+"','"+record._2+"')")  
        })  
        stmt.executeBatch()  
        connect.commit()  
      }  
      )  
    }  
    )  
  
  
  
    ssc.start()  
    ssc.awaitTermination()  
    ssc.stop()  
  }  
}  


(4)编写一个socket端的数据模拟器
[Scala] 纯文本查看 复制代码
import java.io.{PrintWriter}    
import java.net.ServerSocket    
import scala.io.Source    
    
    
object streamingSimulation {    
  def index(n: Int) = scala.util.Random.nextInt(n)    
    
  def main(args: Array[String]) {    
    // 调用该模拟器需要三个参数,分为为文件路径、端口号和间隔时间(单位:毫秒)    
    if (args.length != 3) {    
      System.err.println("Usage: <filename> <port> <millisecond>")    
      System.exit(1)    
    }    
    
    // 获取指定文件总的行数    
    val filename = args(0)    
    val lines = Source.fromFile(filename).getLines.toList    
    val filerow = lines.length    
    
    // 指定监听某端口,当外部程序请求时建立连接    
    val listener = new ServerSocket(args(1).toInt)    
    
    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(args(2).toLong)    
            // 当该端口接受请求时,随机获取某行数据发送给对方    
            val content = lines(index(filerow))    
            println("-------------------------------------------")    
            println(s"Time: ${System.currentTimeMillis()}")    
            println("-------------------------------------------")    
            println(content)    
            out.write(content + '\n')    
            out.flush()    
          }    
          socket.close()    
        }    
      }.start()    
    }    
  }    
    
}    


实验数据为:

spark
Streaming
better
than
storm
you
need
it
yes
do
it

(5)实验启动

在客户端启动数据流模拟

对socket端的数据模拟器程序进行 jar文件的打包,并放入到集群目录中

启动程序如下:

[Scala] 纯文本查看 复制代码
java -cp DataSimulation.jar streamingSimulation /root/application/upload/Information 9999 1000  

启动SparkStreaming程序

结果如下:



来源:http://blog.csdn.net/legotime/article/details/51836039



回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

关闭

站长推荐 上一条 /4 下一条

返回顶部