Spark Streaming（三）：DStream的transformation操作

mac2025-12-22 7

收藏链接：https://www.jb51.net/article/163065.htm

1、updateStateByKey

作用可以让我们为每个key维护一份state，并持续不断的更新该state；

使用 1、首先，要定义一个state，可以是任意的数据类型； 2、其次，要定义state更新函数——指定一个函数如何使用之前state和新值来更新state；

注意： 1、对于每个batch，Spark都会为每个之前已经存在的key去应用一次state更新函数，无论这个key在batch中是否有新的数据； 2、如果state更新函数返货none，那么key对应state就会被删除； 3、对于每个新出现的key，也会执行state更新函数； 4、updateStateByKey操作，要求必须开启Checkpoint机制；

package cn.spark.study.streaming; import java.util.Arrays; import java.util.List; import org.apache.spark.SparkConf; import org.apache.spark.api.java.function.FlatMapFunction; import org.apache.spark.api.java.function.Function2; import org.apache.spark.api.java.function.PairFunction; import org.apache.spark.streaming.Durations; import org.apache.spark.streaming.api.java.JavaDStream; import org.apache.spark.streaming.api.java.JavaPairDStream; import org.apache.spark.streaming.api.java.JavaReceiverInputDStream; import org.apache.spark.streaming.api.java.JavaStreamingContext; import com.google.common.base.Optional; import scala.Tuple2; /** * 基于updateStateByKey算子实现缓存机制的实时wordcount程序 */ public class UpdateStateByKeyWordCount { public static void main(String[] args) { SparkConf conf = new SparkConf() .setMaster("local[2]") .setAppName("UpdateStateByKeyWordCount"); JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(5)); // 如果要使用updateStateByKey算子，就必须设置一个checkpoint目录，开启checkpoint机制 // 因为要长期保存一份key的state的话，那么spark streaming是要求必须用checkpoint的， //以便于在内存数据丢失的时候，可以从checkpoint中恢复数据 // 开启checkpoint机制 jssc.checkpoint("hdfs://spark1:9000/wordcount_checkpoint"); // 然后先实现wordcount逻辑 JavaReceiverInputDStream<String> lines = jssc.socketTextStream("localhost", 9999); JavaDStream<String> words = lines.flatMap(new FlatMapFunction<String, String>() { private static final long serialVersionUID = 1L; @Override public Iterable<String> call(String line) throws Exception { return Arrays.asList(line.split(" ")); } }); JavaPairDStream<String, Integer> pairs = words.mapToPair( new PairFunction<String, String, Integer>() { private static final long serialVersionUID = 1L; @Override public Tuple2<String, Integer> call(String word) throws Exception { return new Tuple2<String, Integer>(word, 1); } }); // 关键点在这里，之前的话，直接就是pairs.reduceByKey // 然后，就可以得到每个时间段的batch对应的RDD，计算出来的单词计数 // 然后，可以打印出那个时间段的单词计数 // 但是，如果要统计每个单词的全局的计数呢？ // 就是说，统计从程序启动开始，到现在为止，一个单词出现的次数，那么就之前的方式就不好实现 // 就必须基于redis这种缓存，或者是mysql这种db，来实现累加 // 但是，我们的updateStateByKey，就可以实现直接通过Spark维护一份每个单词的全局的统计次数 JavaPairDStream<String, Integer> wordCounts = pairs.updateStateByKey( // 这里的Optional，相当于Scala中的样例类，就是Option， // 可以这么理解，它代表了一个值的存在状态，可能存在，也可能不存在 new Function2<List<Integer>, Optional<Integer>, Optional<Integer>>() { private static final long serialVersionUID = 1L; // 这里两个参数 // 实际上，对于每个单词，每次batch计算的时候，都会调用这个函数 // 第一个参数，values，相当于是这个batch中，这个key的新的值，可能有多个 // 比如说一个hello，可能有2个，(hello, 1) (hello, 1)，那么传入的是(1,1) // 第二个参数，就是指的是这个key之前的状态，state，其中泛型的类型是你自己指定的 @Override public Optional<Integer> call(List<Integer> values, Optional<Integer> state) throws Exception { // 首先定义一个全局的单词计数 Integer oldValue = 0; // 其次，判断，state是否存在，如果不存在，说明是一个key第一次出现 // 如果存在，说明这个key之前已经统计过全局的次数了 if(state.isPresent()) { oldValue = state.get(); } // 接着，将本次新出现的值，都累加到newValue上去，就是一个key目前的全局的统计 // 次数 for(Integer value : values) { oldValue += value; } return Optional.of(oldValue ); } }); // 到这里为止，相当于是，每个batch过来先计算到pairs DStream， // 然后就会执行全局的updateStateByKey算子，updateStateByKey返回的JavaPairDStream， // 其实就代表了每个key的全局的计数 wordCounts.print(); jssc.start(); jssc.awaitTermination(); jssc.close(); } } package cn.spark.study.streaming import org.apache.spark.SparkConf import org.apache.spark.streaming.StreamingContext import org.apache.spark.streaming.Seconds object UpdateStateByKeyWordCount { def main(args: Array[String]): Unit = { val conf = new SparkConf() .setMaster("local[2]") .setAppName("UpdateStateByKeyWordCount") val ssc = new StreamingContext(conf, Seconds(5)) ssc.checkpoint("hdfs://spark1:9000/wordcount_checkpoint") val lines = ssc.socketTextStream("spark1", 9999) val words = lines.flatMap { _.split(" ") } val pairs = words.map { word => (word, 1) } val wordCounts = pairs.updateStateByKey((values: Seq[Int], state: Option[Int]) => { var oldValue = state.getOrElse(0) for(value <- values) { oldValue += value } Option(oldValue ) }) wordCounts.print() ssc.start() ssc.awaitTermination() } }

2、transform

transform操作，应用在DStream上时，可以用于执行任意的RDD到RDD的转换操作；它可以用于实现，DStream API中所没有提供的操作；比如说，DStream API中，并没有提供将一个DStream中的每个batch，与一个特定的RDD进行join的操作。但是我们自己就可以使用transform操作来实现该功能。

DStream.join()，只能join其他DStream，表示在DStream每个batch的RDD计算出来之后，会去跟其他DStream的RDD进行join。

package cn.spark.study.streaming; import java.util.ArrayList; import java.util.List; import org.apache.spark.SparkConf; import org.apache.spark.api.java.JavaPairRDD; import org.apache.spark.api.java.JavaRDD; import org.apache.spark.api.java.function.Function; import org.apache.spark.api.java.function.PairFunction; import org.apache.spark.streaming.Durations; import org.apache.spark.streaming.api.java.JavaDStream; import org.apache.spark.streaming.api.java.JavaPairDStream; import org.apache.spark.streaming.api.java.JavaReceiverInputDStream; import org.apache.spark.streaming.api.java.JavaStreamingContext; import com.google.common.base.Optional; import scala.Tuple2; /** * 基于transform的实时广告计费日志黑名单过滤 * 用户对我们的网站上的广告可以进行点击 * 点击之后，要进行实时计费，点一下，算一次钱 * 但是，对于那些帮助某些无良商家刷广告的人，那么我们有一个黑名单 * 只要是黑名单中的用户点击的广告，我们就给过滤掉 */ public class TransformBlacklist { @SuppressWarnings("deprecation") public static void main(String[] args) { SparkConf conf = new SparkConf() .setMaster("local[2]") .setAppName("TransformBlacklist"); JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(5)); // 先做一份模拟的黑名单RDD List<Tuple2<String, Boolean>> blacklist = new ArrayList<Tuple2<String, Boolean>>(); blacklist.add(new Tuple2<String, Boolean>("tom", true)); final JavaPairRDD<String, Boolean> blacklistRDD = jssc.sc().parallelizePairs(blacklist); // 这里的日志格式，简化一下，就是date username的方式 JavaReceiverInputDStream<String> adsClickLogDStream = jssc.socketTextStream("hadoop1", 9999); // 所以，要先对输入的数据，进行一下转换操作，变成(username, date username) // 以便于后面对每个batch RDD，与定义好的黑名单RDD进行join操作 JavaPairDStream<String, String> userAdsClickLogDStream = adsClickLogDStream.mapToPair( new PairFunction<String, String, String>() { private static final long serialVersionUID = 1L; @Override public Tuple2<String, String> call(String adsClickLog) throws Exception { return new Tuple2<String, String>( adsClickLog.split(" ")[1], adsClickLog); } }); // 然后，执行transform操作，将每个batch的RDD，与黑名单RDD进行join、filter、map等操作 // 实时进行黑名单过滤 JavaDStream<String> validAdsClickLogDStream = userAdsClickLogDStream.transform( new Function<JavaPairRDD<String,String>, JavaRDD<String>>() { private static final long serialVersionUID = 1L; @Override public JavaRDD<String> call(JavaPairRDD<String, String> userAdsClickLogRDD) throws Exception { // 这里为什么用左外连接？ // 因为，并不是每个用户都存在于黑名单中的 // 所以，如果直接用join，那么没有存在于黑名单中的数据，会无法join到 // 就给丢弃掉了 // 所以，这里用leftOuterJoin，就是说，哪怕一个user不在黑名单RDD中，没有join到 // 也还是会被保存下来的 JavaPairRDD<String, Tuple2<String, Optional<Boolean>>> joinedRDD = userAdsClickLogRDD.leftOuterJoin(blacklistRDD); // 连接之后，执行filter算子 JavaPairRDD<String, Tuple2<String, Optional<Boolean>>> filteredRDD = joinedRDD.filter( new Function<Tuple2<String, Tuple2<String,Optional<Boolean>>>, Boolean>() { private static final long serialVersionUID = 1L; @Override public Boolean call( Tuple2<String, Tuple2<String, Optional<Boolean>>> tuple) throws Exception { // 这里的tuple，就是每个用户，对应的访问日志，和在黑名单中 // 的状态 if(tuple._2._2().isPresent() && tuple._2._2.get()) { return false; } return true; } }); // 此时，filteredRDD中，就只剩下没有被黑名单过滤的用户点击了 // 进行map操作，转换成我们想要的格式 JavaRDD<String> validAdsClickLogRDD = filteredRDD.map( new Function<Tuple2<String,Tuple2<String,Optional<Boolean>>>, String>() { private static final long serialVersionUID = 1L; @Override public String call( Tuple2<String, Tuple2<String, Optional<Boolean>>> tuple) throws Exception { return tuple._2._1; } }); return validAdsClickLogRDD; } }); // 打印有效的广告点击日志 // 其实在真实企业场景中，这里后面就可以走写入kafka、ActiveMQ等这种中间件消息队列 // 然后再开发一个专门的后台服务，作为广告计费服务，执行实时的广告计费，这里就是只拿到了有效的广告点击 validAdsClickLogDStream.print(); jssc.start(); jssc.awaitTermination(); jssc.close(); } } package cn.spark.study.streaming import org.apache.spark.SparkConf import org.apache.spark.streaming.StreamingContext import org.apache.spark.streaming.Seconds object TransformBlacklist { def main(args: Array[String]): Unit = { val conf = new SparkConf() .setMaster("local[2]") .setAppName("TransformBlacklist") val ssc = new StreamingContext(conf, Seconds(5)) val blacklist = Array(("tom", true)) val blacklistRDD = ssc.sparkContext.parallelize(blacklist, 5) val adsClickLogDStream = ssc.socketTextStream("spark1", 9999) val userAdsClickLogDStream = adsClickLogDStream .map { adsClickLog => (adsClickLog.split(" ")(1), adsClickLog) } val validAdsClickLogDStream = userAdsClickLogDStream.transform(userAdsClickLogRDD => { val joinedRDD = userAdsClickLogRDD.leftOuterJoin(blacklistRDD) val filteredRDD = joinedRDD.filter(tuple => { if(tuple._2._2.getOrElse(false)) { false } else { true } }) val validAdsClickLogRDD = filteredRDD.map(tuple => tuple._2._1) validAdsClickLogRDD }) validAdsClickLogDStream.print() ssc.start() ssc.awaitTermination() } }

3、window滑动窗口

Spark Streaming提供了滑动窗口操作的支持，从而让我们可以对一个滑动窗口内的数据执行计算操作。每次掉落在窗口内的RDD的数据，会被聚合起来执行计算操作，然后生成的RDD，会作为window DStream的一个RDD。比如下图中，就是对每三秒钟的数据执行一次滑动窗口计算，这3秒内的3个RDD会被聚合起来进行处理，然后过了两秒钟，又会对最近三秒内的数据执行滑动窗口计算。所以每个滑动窗口操作，都必须指定两个参数，窗口长度以及滑动间隔，而且这两个参数值都必须是batch间隔的整数倍。（Spark Streaming对滑动窗口的支持，是比Storm更加完善和强大的）

image.png

Demo：热点搜索词滑动统计，每隔10秒钟，统计最近60秒钟的搜索词的搜索频次，并打印出排名最靠前的3个搜索词以及出现次数

package cn.spark.study.streaming; import java.util.List; import org.apache.spark.SparkConf; import org.apache.spark.api.java.JavaPairRDD; import org.apache.spark.api.java.function.Function; import org.apache.spark.api.java.function.Function2; import org.apache.spark.api.java.function.PairFunction; import org.apache.spark.streaming.Durations; import org.apache.spark.streaming.api.java.JavaDStream; import org.apache.spark.streaming.api.java.JavaPairDStream; import org.apache.spark.streaming.api.java.JavaReceiverInputDStream; import org.apache.spark.streaming.api.java.JavaStreamingContext; import scala.Tuple2; /** * 基于滑动窗口的热点搜索词实时统计 */ public class WindowHotWord { public static void main(String[] args) { SparkConf conf = new SparkConf() .setMaster("local[2]") .setAppName("WindowHotWord"); JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(1)); // 这里的搜索日志的格式是 // leo hello // tom world JavaReceiverInputDStream<String> searchLogsDStream = jssc.socketTextStream("spark1", 9999); // 将搜索日志给转换成，只有一个搜索词，即可 JavaDStream<String> searchWordsDStream = searchLogsDStream.map(new Function<String, String>() { private static final long serialVersionUID = 1L; @Override public String call(String searchLog) throws Exception { return searchLog.split(" ")[1]; } }); // 将搜索词映射为(searchWord, 1)的tuple格式 JavaPairDStream<String, Integer> searchWordPairDStream = searchWordsDStream.mapToPair( new PairFunction<String, String, Integer>() { private static final long serialVersionUID = 1L; @Override public Tuple2<String, Integer> call(String searchWord) throws Exception { return new Tuple2<String, Integer>(searchWord, 1); } }); // 针对(searchWord, 1)的tuple格式的DStream，执行reduceByKeyAndWindow，滑动窗口操作 // 第二个参数，是窗口长度，这里是60秒 // 第三个参数，是滑动间隔，这里是10秒 // 也就是说，每隔10秒钟，将最近60秒的数据，作为一个窗口，进行内部的RDD的聚合， // 然后统一对一个RDD进行后续计算 // 所以，到之前的searchWordPairDStream为止，其实，都是不会立即进行计算的 // 而是只是放在那里 // 然后，等待我们的滑动间隔到了以后，10秒钟到了，会将之前60秒的RDD，因为一个batch间隔是，5秒， //所以之前 60秒，就有12个RDD，给聚合起来，然后，统一执行redcueByKey操作 // 所以这里的reduceByKeyAndWindow，是针对每个窗口执行计算的，而不是针对某个DStream中的RDD JavaPairDStream<String, Integer> searchWordCountsDStream = searchWordPairDStream.reduceByKeyAndWindow(new Function2<Integer, Integer, Integer>() { private static final long serialVersionUID = 1L; @Override public Integer call(Integer v1, Integer v2) throws Exception { return v1 + v2; } }, Durations.seconds(60), Durations.seconds(10)); // 把之前60秒收集到的单词的统计次数执行transform操作， // 因为，一个窗口，就是一个60秒钟的数据，会变成一个RDD，然后，对这一个RDD // 根据每个搜索词出现的频率进行排序，然后获取排名前3的热点搜索词 JavaPairDStream<String, Integer> finalDStream = searchWordCountsDStream.transformToPair( new Function<JavaPairRDD<String,Integer>, JavaPairRDD<String,Integer>>() { private static final long serialVersionUID = 1L; @Override public JavaPairRDD<String, Integer> call( JavaPairRDD<String, Integer> searchWordCountsRDD) throws Exception { // 执行搜索词和出现频率的反转 JavaPairRDD<Integer, String> countSearchWordsRDD = searchWordCountsRDD .mapToPair(new PairFunction<Tuple2<String,Integer>, Integer, String>() { private static final long serialVersionUID = 1L; @Override public Tuple2<Integer, String> call( Tuple2<String, Integer> tuple) throws Exception { return new Tuple2<Integer, String>(tuple._2, tuple._1); } }); // 然后执行降序排序 JavaPairRDD<Integer, String> sortedCountSearchWordsRDD = countSearchWordsRDD .sortByKey(false); // 然后再次执行反转，变成(searchWord, count)的这种格式 JavaPairRDD<String, Integer> sortedSearchWordCountsRDD = sortedCountSearchWordsRDD .mapToPair(new PairFunction<Tuple2<Integer,String>, String, Integer>() { private static final long serialVersionUID = 1L; @Override public Tuple2<String, Integer> call( Tuple2<Integer, String> tuple) throws Exception { return new Tuple2<String, Integer>(tuple._2, tuple._1); } }); // 然后用take()，获取排名前3的热点搜索词 List<Tuple2<String, Integer>> hogSearchWordCounts = sortedSearchWordCountsRDD.take(3); for(Tuple2<String, Integer> wordCount : hogSearchWordCounts) { System.out.println(wordCount._1 + ": " + wordCount._2); } return searchWordCountsRDD; } }); // 这个无关紧要，只是为了触发job的执行，所以必须有output操作 finalDStream.print(); jssc.start(); jssc.awaitTermination(); jssc.close(); } } package cn.spark.study.streaming import org.apache.spark.SparkConf import org.apache.spark.streaming.StreamingContext import org.apache.spark.streaming.Seconds object WindowHotWord { def main(args: Array[String]): Unit = { val conf = new SparkConf() .setMaster("local[2]") .setAppName("WindowHotWord") val ssc = new StreamingContext(conf, Seconds(1)) val searchLogsDStream = ssc.socketTextStream("spark1", 9999) val searchWordsDStream = searchLogsDStream.map { _.split(" ")(1) } val searchWordPairsDStream = searchWordsDStream.map { searchWord => (searchWord, 1) } val searchWordCountsDSteram = searchWordPairsDStream.reduceByKeyAndWindow( (v1: Int, v2: Int) => v1 + v2, Seconds(60), Seconds(10)) val finalDStream = searchWordCountsDSteram.transform(searchWordCountsRDD => { val countSearchWordsRDD = searchWordCountsRDD.map(tuple => (tuple._2, tuple._1)) val sortedCountSearchWordsRDD = countSearchWordsRDD.sortByKey(false) val sortedSearchWordCountsRDD = sortedCountSearchWordsRDD.map(tuple => (tuple._1, tuple._2)) val top3SearchWordCounts = sortedSearchWordCountsRDD.take(3) for(tuple <- top3SearchWordCounts) { println(tuple) } searchWordCountsRDD }) finalDStream.print() ssc.start() ssc.awaitTermination() } }

最新回复(0)