Note_Spark_Day14：Structured Streaming(以结构化方式处理流式数据，底层分析引擎SparkSQL引擎)

2021-12-07 09:39:13 浏览数 (1)

Spark Day14：Structured Streaming

01-[了解]-上次课程内容回顾

继续讲解：StructuredStreaming，以结构化方式处理流式数据，底层分析引擎SparkSQL引擎。

代码语言：javascript复制
0、数据源（Source）
	支持4种数据源：TCP Socket（最简单）、Kafka Source（最常用）
		- File Source：监控某个目录，当目录中有新的文件时，以流的方式读取数据
		- Rate Source：自动每秒生成一定数量数据

1、StreamingQuery基本设置
	- 设置查询名称：queryName
	- 设置触发时间间隔
		默认值：Trigger.Processing("0 seconds")，一有数据，立即处理
	- 检查点Checkpoint目录
		sparkConf.conf("spark.sql.streaming.checkpointLocation", "xx")
		option("checkpointLocation", "xx")
	- 输出模式OutputMode
		Append，追加，数据都是新的
		Update，更新数据输出
		Complete，所有数据输出

2、Sink终端
	表示处理流式数据结果输出地方，比如Console控制台，也可以输出到File Sink
	自定义输出
		- foreach，表示针对每条数据的输出
		- foreachBatch，表示针对每批次数据输出，可以重用SparkSQL中数据源的输出

3、集成Kafka（数据源Source和数据终端Sink）
	既可以从Kafka消费数据，也可以向Kafka写入数据
	- 数据源Source：从Kafka消费数据，其他参数可以设置
val df = spark.readStream
  .format("kafka")
  .option("kafka.bootstrap.servers", "host1:port1,host2:port2")
  // .option("subscribe", "topic1,topic2") // .option("subscribePattern", "topic.*")
  .option("subscribe", "topic1") 
  .load()
df.selectExpr("CAST(key AS STRING)", "CAST(value AS STRING)")
  .as[(String, String)]		

	- 数据终端Sink：将流式数据集DataFrame数据写入到Kafka 中，要求必须value字段值，类型为String
val ds = df
  .selectExpr("CAST(key AS STRING)", "CAST(value AS STRING)")
  .writeStream
  .format("kafka")
  .option("kafka.bootstrap.servers", "host1:port1,host2:port2")
  .option("topic", "topic1")
  .start()

02-[掌握]-集成Kafka之实时增量ETL（DSL）

需求：使用DataFrame DSL进行ETL转换，要求定义UDF函数

代码语言：javascript复制
/* ============================= 基于Dataset 转换操作 ====================*/
val etlStreamDF: Dataset[String] = kafkaStreamDF
    .selectExpr("CAST(value AS STRING)") // 提取value字段值，并且转换为String类型
    .as[String] // 转换为Dataset
    .filter{msg =>
	    null != msg && 
		    msg.trim.split(",").length == 6 && 
		    "success".equals(msg.trim.split(",")(3))
    }


/* ============================= 基于 DataFrame DSL操作 ====================*/
val filter_udf: UserDefinedFunction = udf(
	(msg: String) => {
		null != msg &&
			msg.trim.split(",").length == 6 &&
			"success".equals(msg.trim.split(",")(3))
	}
)
val etlStreamDF: Dataset[Row] = kafkaStreamDF
    .select($"value".cast(StringType))
    .filter(filter_udf($"value"))

完整代码如下：

代码语言：javascript复制
package cn.itcast.spark.kafka

import org.apache.spark.sql.expressions.UserDefinedFunction
import org.apache.spark.sql.streaming.{OutputMode, StreamingQuery, Trigger}
import org.apache.spark.sql.types.StringType
import org.apache.spark.sql.{DataFrame, Dataset, SparkSession}
import org.apache.spark.sql.functions._

/**
 * 实时从Kafka Topic消费基站日志数据，过滤获取通话转态为success数据，再存储至Kafka Topic中
	 * 1、从KafkaTopic中获取基站日志数据
	 * 2、ETL：只获取通话状态为success日志数据
	 * 3、最终将ETL的数据存储到Kafka Topic中
 */
object _01StructuredEtlKafka {
	
	def main(args: Array[String]): Unit = {
		
		// 构建SparkSession实例对象
		val spark: SparkSession = SparkSession.builder()
			.appName(this.getClass.getSimpleName.stripSuffix("$"))
			.master("local[3]")
			// 设置Shuffle分区数目
			.config("spark.sql.shuffle.partitions", "3")
			.getOrCreate()
		// 导入隐式转换和函数库
		import spark.implicits._
	
		// TODO: 1. 从Kafka Topic中获取基站日志数据（模拟数据，文本数据）
		val kafkaStreamDF: DataFrame = spark
			.readStream
			.format("kafka")
			.option("kafka.bootstrap.servers", "node1.itcast.cn:9092")
			.option("subscribe", "stationTopic")
			.option("maxOffsetsPerTrigger", "10000")
			.load()
		
		// TODO: 2. ETL：只获取通话状态为success日志数据
		/*
		val etlStreamDF: Dataset[String] = kafkaStreamDF
		    .selectExpr("CAST(value AS STRING)") // 提取value字段值，并且转换为String类型
		    .as[String] // 转换为Dataset[String]
		    .filter{msg =>
			    null != msg &&
				    msg.trim.split(",").length == 6 &&
				    "success".equals(msg.trim.split(",")(3))
		    }
		 */
		val filter_udf: UserDefinedFunction = udf(
			(msg: String) => {
				null != msg &&
					msg.trim.split(",").length == 6 &&
					"success".equals(msg.trim.split(",")(3))
			}
		)
		val etlStreamDF: DataFrame = kafkaStreamDF
			// 选择value字段，值转换为String类型
    		.select($"value".cast(StringType))
			// 过滤数据：status为success
    		.filter(filter_udf($"value"))
		
		
		// TODO: 3. 最终将ETL的数据存储到Kafka Topic中
		val query: StreamingQuery = etlStreamDF
			.writeStream
			.queryName("query-state-etl")
			.outputMode(OutputMode.Append())
    		.trigger(Trigger.ProcessingTime(0))
			// TODO：将数据保存至Kafka Topic中
			.format("kafka")
			.option("kafka.bootstrap.servers", "node1.itcast.cn:9092")
			.option("topic", "etlTopic")
    		.option("checkpointLocation", "datas/ckpt-kafka/10001")
			.start()
		query.awaitTermination()
		query.stop()
	}
	
}

运行流式应用程序，查看Checkpoint目录数据结构如下：

需求：修改上述代码，将ETL后数据转换为JSON数据，存储到Kafka Topic中。

代码语言：javascript复制
station_6,18600007723,18900006663,success,1620457646879,10000
					|
{
    "stationId": "station_6",
    "callOut": "18600007723",
    "callIn": "18900006663",
    "callStatus": "success",
    "callTime": "1620457646879",
    "duration": "10000"
}

step1、分割文本数据，获取各个字段的值
step2、给以Schema，就是字段名称
step3、转换为JSON字符串
代码语言：javascript复制
package cn.itcast.spark.kafka

import org.apache.spark.sql.expressions.UserDefinedFunction
import org.apache.spark.sql.streaming.{OutputMode, StreamingQuery, Trigger}
import org.apache.spark.sql.types.StringType
import org.apache.spark.sql.{DataFrame, Dataset, SparkSession}
import org.apache.spark.sql.functions._

/**
 * 实时从Kafka Topic消费基站日志数据，过滤获取通话转态为success数据，再存储至Kafka Topic中
	 * 1、从KafkaTopic中获取基站日志数据
	 * 2、ETL：只获取通话状态为success日志数据
	 * 3、最终将ETL的数据存储到Kafka Topic中
 */
object _01StructuredEtlKafka {
	
	def main(args: Array[String]): Unit = {
		
		// 构建SparkSession实例对象
		val spark: SparkSession = SparkSession.builder()
			.appName(this.getClass.getSimpleName.stripSuffix("$"))
			.master("local[3]")
			// 设置Shuffle分区数目
			.config("spark.sql.shuffle.partitions", "3")
			.getOrCreate()
		// 导入隐式转换和函数库
		import spark.implicits._
	
		// TODO: 1. 从Kafka Topic中获取基站日志数据（模拟数据，文本数据）
		val kafkaStreamDF: DataFrame = spark
			.readStream
			.format("kafka")
			.option("kafka.bootstrap.servers", "node1.itcast.cn:9092")
			.option("subscribe", "stationTopic")
			.option("maxOffsetsPerTrigger", "10000")
			.load()
		
		// TODO: 2. ETL：只获取通话状态为success日志数据
		/*
		val etlStreamDF: Dataset[String] = kafkaStreamDF
		    .selectExpr("CAST(value AS STRING)") // 提取value字段值，并且转换为String类型
		    .as[String] // 转换为Dataset[String]
		    .filter{msg =>
			    null != msg &&
				    msg.trim.split(",").length == 6 &&
				    "success".equals(msg.trim.split(",")(3))
		    }
		 */
		val filter_udf: UserDefinedFunction = udf(
			(msg: String) => {
				null != msg &&
					msg.trim.split(",").length == 6 &&
					"success".equals(msg.trim.split(",")(3))
			}
		)
		val etlStreamDF: DataFrame = kafkaStreamDF
			// 选择value字段，值转换为String类型
    		.select($"value".cast(StringType))
			// 过滤数据：status为success
    		.filter(filter_udf($"value"))
			// 将每行数据进行分割
    		.as[String]
    		.map{msg =>
			    val Array(stationId,callOut,callIn,callStatus,callTime,duration) = msg.trim.split(",")
			    // 返回6元组
			    (stationId,callOut,callIn,callStatus,callTime,duration)
		    }
			// 调用toDF函数，指定列名称
    		.toDF("stationId", "callOut", "callIn", "callStatus", "callTime", "duration")
			// 将所有字段合并为JSON字符串
    		.select(
			    to_json(struct($"*")).as("value")
		    )
		
		// TODO: 3. 最终将ETL的数据存储到Kafka Topic中
		val query: StreamingQuery = etlStreamDF
			.writeStream
			.queryName("query-state-etl")
			.outputMode(OutputMode.Append())
    		.trigger(Trigger.ProcessingTime(0))
			// TODO：将数据保存至Kafka Topic中
			.format("kafka")
			.option("kafka.bootstrap.servers", "node1.itcast.cn:9092")
			.option("topic", "etlTopic")
    		.option("checkpointLocation", "datas/ckpt-kafka/10001")
			.start()
		query.awaitTermination()
		query.stop()
	}
	
}

03-[了解]-今日课程内容提纲

继续讲解StructuredStreaming结构化流中知识点：

代码语言：javascript复制
1、高级特性
	本质上还是微批处理，增量查询，每次处理数据是1条或者多条
	- Spark 2.3开始，数据处理模式：
		Continues Processing，持续流处理，来一条数据处理一条数据，做到真正的实时处理
		目前功能属于测试阶段
	- 对流式数据进行去重
		批处理分析时：UV，唯一访客数


2、案例：物联网数据实时分析
	模拟产生监控数据
	DSL和SQL进行实时流式数据分析
		熟悉SparkSQL中数据分析API或函数使用


3、窗口统计分析：基于事件时间EvnetTime窗口分析
	原理和案例演示
	延迟数据处理，使用Watermark水位线

04-[掌握]-高级特性之Continuous Processing

​ 连续处理（Continuous Processing）是Spark 2.3中引入的一种新的实验性流执行模式，可实现低的（~1 ms）端到端延迟，并且至少具有一次容错保证。

连续处理（Continuous Processing）是“真正”的流处理，通过运行一个long-running的operator用来处理数据。

continuous mode 处理模式只要一有数据可用就会进行处理，如下图所示：

范例演示：从Kafka实时消费数据，经过ETL处理后，将数据发送至Kafka Topic。 目前（Spark2.4.5版本）仅仅支持从Kafka消费数据，向Kafka写入数据，当前ContinuesProcessing处理模式

代码语言：javascript复制
package cn.itcast.spark.continuous

import java.util.concurrent.TimeUnit

import org.apache.spark.sql.streaming.{OutputMode, StreamingQuery, Trigger}
import org.apache.spark.sql.{DataFrame, Dataset, SparkSession}

/**
 * 从Spark 2.3版本开始，StructuredStreaming结构化流中添加新流式数据处理方式：Continuous processing
 *      持续流数据处理：当数据一产生就立即处理，类似Storm、Flink框架，延迟性达到100ms以下，目前属于实验开发阶段
 */
object _02StructuredContinuous {
	
	def main(args: Array[String]): Unit = {
		
		// 构建SparkSession实例对象
		val spark: SparkSession = SparkSession.builder()
			.appName(this.getClass.getSimpleName.stripSuffix("$"))
			.master("local[3]")
			// 设置Shuffle分区数目
			.config("spark.sql.shuffle.partitions", "3")
			.getOrCreate()
		// 导入隐式转换和函数库
		import spark.implicits._
	
		// TODO: 1. 从KafkaTopic中获取基站日志数据（模拟数据，文本数据）
		val kafkaStreamDF: DataFrame = spark
			.readStream
			.format("kafka")
			.option("kafka.bootstrap.servers", "node1.itcast.cn:9092")
			.option("subscribe", "stationTopic")
			.load()
		
		// TODO: 2. ETL：只获取通话状态为success日志数据
		val etlStreamDF: Dataset[String] = kafkaStreamDF
			// 提取value值，并转换为String类型，最后将DataFrame转换为Dataset
			.selectExpr("CAST(value AS STRING)")
			.as[String]
			// 进行数据过滤 -> station_2,18600007445,18900008443,success,1606466627272,2000
    		.filter(msg => {
			    null != msg && msg.trim.split(",").length == 6 && "success".equals(msg.trim.split(",")(3))
		    })
		
		// TODO: 3. 最终将ETL的数据存储到Kafka Topic中
		val query: StreamingQuery = etlStreamDF
			.writeStream
			.queryName("query-state-etl")
			.outputMode(OutputMode.Append())
			// TODO: 设置连续处理Continuous Processing，其中interval时间间隔为Checkpoint时间间隔
    		.trigger(Trigger.Continuous(1, TimeUnit.SECONDS))
			.format("kafka")
			.option("kafka.bootstrap.servers", "node1.itcast.cn:9092")
			.option("topic", "etlTopic")
    		.option("checkpointLocation", "data/structured/station-etl-1002")
			.start()
		query.awaitTermination()
		query.stop()
	}
	
}

05-[掌握]-高级特性之Streaming Deduplication

在StructuredStreaming结构化流中，可以对流式数据进行去重操作，提供API函数：deduplication

演示范例：对网站用户日志数据，按照userId和eventType去重统计，网站代码如下。

代码语言：javascript复制
package cn.itcast.spark.deduplication

import org.apache.spark.sql.streaming.{OutputMode, StreamingQuery}
import org.apache.spark.sql.{DataFrame, SparkSession}

/**
 * StructuredStreaming对流数据按照某些字段进行去重操作，比如实现UV类似统计分析
 */
object _03StructuredDeduplication {
	
	def main(args: Array[String]): Unit = {
		
		// 构建SparkSession实例对象
		val spark: SparkSession = SparkSession.builder()
			.appName(this.getClass.getSimpleName.stripSuffix("$"))
			.master("local[2]")
			// 设置Shuffle分区数目
			.config("spark.sql.shuffle.partitions", "2")
			.getOrCreate()
		// 导入隐式转换和函数库
		import org.apache.spark.sql.functions._
		import spark.implicits._
		
		// 1. 从TCP Socket 读取数据
		val inputTable: DataFrame = spark.readStream
			.format("socket") // 列名称为：value，数据类型为：String类型
			.option("host", "node1.itcast.cn")
			.option("port", 9999)
			.load()
		
		// 2. 数据处理分析: {"eventTime": "2016-01-10 10:01:50","eventType": "browse","userID":"1"}
		val resultTable: DataFrame = inputTable
			// 需要从JSON字符串中，提取字段的之
    		.select(
			    get_json_object($"value", "$.userID").as("userId"), //
			    get_json_object($"value", "$.eventType").as("eventType") //
		    )
			// 按照userId和EventType去重
    		.dropDuplicates("userId", "eventType")
			// 分组统计
    		.groupBy($"userId", $"eventType").count()
		
		// 3. 设置Streaming应用输出及启动
		val query: StreamingQuery = resultTable.writeStream
			.outputMode(OutputMode.Complete())
			.format("console")
			.option("numRows", "100")
			.option("truncate", "false")
			.start()
		query.awaitTermination() // 流式查询等待流式应用终止
		// 等待所有任务运行完成才停止运行
		query.stop()
	}
	
}

06-[掌握]-物联网数据实时分析之需求概述及准备

物联网IoT：Internet of Things

​ 模拟一个智能物联网系统的数据统计分析，产生设备数据发送到Kafka，结构化流Structured Streaming实时消费统计。对物联网设备状态信号数据，实时统计分析:

代码语言：javascript复制
1）、信号强度大于30的设备； 
2）、各种设备类型的数量；
3）、各种设备类型的平均信号强度；

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-rP0dyCM9-1626355251732)(/img/image-20210508162232609.png)]

运行数据模拟生成器，产生设备监控数据

07-[掌握]-物联网数据实时分析之基于DSL实现

按照业务需求，从Kafka消费日志数据，基于DataFrame数据结构调用函数分析，代码如下：

代码语言：javascript复制
package cn.itcast.spark.iot.dsl

import org.apache.spark.sql.streaming.{OutputMode, StreamingQuery}
import org.apache.spark.sql.types.{DoubleType, LongType}
import org.apache.spark.sql.{DataFrame, SparkSession}

/**
 * 对物联网设备状态信号数据，实时统计分析:
	 * 1）、信号强度大于30的设备
	 * 2）、各种设备类型的数量
	 * 3）、各种设备类型的平均信号强度
 */
object _04IotStreamingOnlineDSL {
	
	def main(args: Array[String]): Unit = {
		
		// 1. 构建SparkSession会话实例对象，设置属性信息
		val spark: SparkSession = SparkSession.builder()
			.appName(this.getClass.getSimpleName.stripSuffix("$"))
			.master("local[3]")
			.config("spark.sql.shuffle.partitions", "3")
			.getOrCreate()
		// 导入隐式转换和函数库
		import org.apache.spark.sql.functions._
		import spark.implicits._
		
		// 2. 从Kafka读取数据，底层采用New Consumer API
		val iotStreamDF: DataFrame = spark.readStream
			.format("kafka")
			.option("kafka.bootstrap.servers", "node1.itcast.cn:9092")
			.option("subscribe", "iotTopic")
			// 设置每批次消费数据最大值
			.option("maxOffsetsPerTrigger", "100000")
			.load()
		
		// 3. 对流式数据进行提取字段
		val etlStreamDF: DataFrame = iotStreamDF
			.selectExpr( "CAST(value AS STRING)")
			// {"device":"device_10","deviceType":"db","signal":86.0,"time":1620462343550}
    		.select(
			    get_json_object($"value", "$.device").as("deviceId"), //
			    get_json_object($"value", "$.deviceType").as("deviceType"), //
			    get_json_object($"value", "$.signal").cast(DoubleType).as("signal"), //
			    get_json_object($"value", "$.time").cast(LongType).as("time") //
		    )
		
		// 4. 按照需求进行分析
		val resultStreamDF: DataFrame = etlStreamDF
			// 信号强度大于30的设备
    		.filter($"signal".gt(30))
			// 各种设备类型的数量 和 各种设备类型的平均信号强度
    		.groupBy($"deviceType")
    		.agg(
			    count($"deviceId").as("total"), //类型的数量
			    round(avg($"signal"), 2).as("avg_signal") // 平均信号强度
		    )
   
		// 5. 启动流式应用，结果输出控制台
		val query: StreamingQuery = resultStreamDF.writeStream
			.outputMode(OutputMode.Complete())
			.format("console")
			.option("numRows", "10")
			.option("truncate", "false")
			.start()
		query.awaitTermination()
		query.stop()
	}
	
}

08-[掌握]-物联网数据实时分析之基于SQL实现

​ 按照业务需求，从Kafka消费日志数据，提取字段信息，将DataFrame注册为临时视图，编写SQL执行分析，代码如下：

代码语言：javascript复制
package cn.itcast.spark.iot.sql

import org.apache.spark.sql.streaming.{OutputMode, StreamingQuery}
import org.apache.spark.sql.types.{DoubleType, LongType, StringType, StructType}
import org.apache.spark.sql.{DataFrame, SparkSession}

/**
 * 对物联网设备状态信号数据，实时统计分析:
	 * 1）、信号强度大于30的设备
	 * 2）、各种设备类型的数量
	 * 3）、各种设备类型的平均信号强度
 */
object _05IotStreamingOnlineSQL {
	
	def main(args: Array[String]): Unit = {
		
		// 1. 构建SparkSession会话实例对象，设置属性信息
		val spark: SparkSession = SparkSession.builder()
			.appName(this.getClass.getSimpleName.stripSuffix("$"))
			.master("local[3]")
			.config("spark.sql.shuffle.partitions", "3")
			.getOrCreate()
		// 导入隐式转换和函数库
		import org.apache.spark.sql.functions._
		import spark.implicits._
		
		// 2. 从Kafka读取数据，底层采用New Consumer API
		val iotStreamDF: DataFrame = spark.readStream
			.format("kafka")
			.option("kafka.bootstrap.servers", "node1.itcast.cn:9092")
			.option("subscribe", "iotTopic")
			// 设置每批次消费数据最大值
			.option("maxOffsetsPerTrigger", "100000")
			.load()
		
		// 3. 对流式数据进行提取字段
		val schema: StructType = new StructType()
    		.add("device", StringType, nullable = true)
    		.add("deviceType", StringType, nullable = true)
    		.add("signal", DoubleType, nullable = true)
    		.add("time", LongType, nullable = true)
		
		val etlStreamDF: DataFrame = iotStreamDF
			// {"device":"device_42","deviceType":"route","signal":10.0,"time":1620463866721}
    		.select($"value".cast(StringType))
			// 解析JSON格式数据
    		.select(
			   from_json($"value", schema).as("device")
		    )
			// 选取结构类型中所有字段
    		.select($"device.*")
		
		// 4. 按照需求进行分析
		// step1. 注册DataFrame为临时视图
		etlStreamDF.createOrReplaceTempView("view_temp_iot")
		
		// step2. 编写SQL并执行
		val resultStreamDF: DataFrame = spark.sql(
			"""
			  |SELECT
			  |  deviceType, COUNT(1) AS total, ROUND(AVG(signal), 2) AS avg_signal
			  |FROM
			  |  view_temp_iot
			  |WHERE
			  |  signal > 30
			  |GROUP BY
			  |  deviceType
			  |""".stripMargin)
		
		// 5. 启动流式应用，结果输出控制台
		val query: StreamingQuery = resultStreamDF.writeStream
			// 输出模式
			.outputMode(OutputMode.Complete())
			// 每个微批次输出
    		.foreachBatch{(batchDF: DataFrame, _: Long) =>
			    batchDF.coalesce(1).show(10, truncate = false)
		    }
			.start()
		query.awaitTermination()
		query.stop()
	}
	
}

09-[掌握]-事件时间窗口分析之原理剖析

在Streaming流式数据处理中，按照时间处理数据，其中时间有三种概念：

代码语言：javascript复制
1）、事件时间EventTime，表示数据本身产生的时间，该字段在数据本身中
2）、注入时间IngestionTime，表示数据到达流式系统时间，简而言之就是流式处理系统接收到数据的时间；
3）、处理时间ProcessingTime，表示数据被流式系统真正开始计算操作的时间。

实际项目中往往针对【事件时间EventTime】进行数据处理操作，更加合理化。

代码语言：javascript复制
基于事件时间窗口分析：
	第一点、按照窗口大小和滑动大小对流式数据进行分组，划分为一个个组（窗口）
	第二点、按照业务，对每个组（窗口）中数据进行聚合统计分析

StructuredStreaming中，窗口代码如何编写呢？？
	dataframe.groupBy(
		window("envetTime: orderTime", "1 hour", "1 hour")// 划分窗口，分组
	)

10-[掌握]-事件时间窗口分析之案例演示

​ 修改词频统计程序，数据流包含每行数据以及生成每行行的时间。希望在10分钟的窗口内对单词进行计数，每5分钟更新一次，如下图所示：

基于事件时间窗口统计有两个参数索引：分组键（如单词）和窗口（事件时间字段）。

​ 为了演示案例，将上述案例中的每5分钟统计最近10分钟窗口改为每5秒统计最近10秒窗口数 据，测试数据集：

代码语言：javascript复制
2019-10-12 09:00:02,cat dog
2019-10-12 09:00:03,dog dog
2019-10-12 09:00:07,owl cat
2019-10-12 09:00:11,dog
2019-10-12 09:00:13,owl

官方案例演示代码如下：

代码语言：javascript复制
package cn.itcast.spark.window

import java.sql.Timestamp

import org.apache.spark.sql.streaming.{OutputMode, StreamingQuery, Trigger}
import org.apache.spark.sql.{DataFrame, SparkSession}

/**
 * 基于Structured Streaming 模块读取TCP Socket读取数据，进行事件时间窗口统计词频WordCount，将结果打印到控制台
 *  TODO：每5秒钟统计最近10秒内的数据（词频：WordCount)
 *
 * EventTime即事件真正生成的时间：
 * 例如一个用户在10：06点击 了一个按钮，记录在系统中为10：06
 *  这条数据发送到Kafka，又到了Spark Streaming中处理，已经是10：08，这个处理的时间就是process Time。
 *
 * 测试数据：
	 * 2019-10-12 09:00:02,cat dog
	 * 2019-10-12 09:00:03,dog dog
	 * 2019-10-12 09:00:07,owl cat
	 * 2019-10-12 09:00:11,dog
	 * 2019-10-12 09:00:13,owl
 **/
object _06StructuredWindow {
	
	def main(args: Array[String]): Unit = {
		// 1. 构建SparkSession实例对象，传递sparkConf参数
		val spark: SparkSession = SparkSession.builder()
			.appName(this.getClass.getSimpleName.stripSuffix("$"))
			.master("local[2]")
			.config("spark.sql.shuffle.partitions", "2")
			.getOrCreate()
		import org.apache.spark.sql.functions._
		import spark.implicits._
		
		// 2. 使用SparkSession从TCP Socket读取流式数据
		val inputStreamDF: DataFrame = spark.readStream
			.format("socket")
			.option("host", "node1.itcast.cn")
			.option("port", 9999)
			.load()
		
		// 3. 针对获取流式DStream进行词频统计
		val etlStreamDF: DataFrame = inputStreamDF
			// 将DataFrame转换为Dataset操作，Dataset是类型安全，强类型
			.as[String]
			.filter(line => null != line && line.trim.split(",").length == 2)
			// 将每行数据进行分割单词: 2019-10-12 09:00:02,cat dog
			// 使用flatMap函数以后 -> (2019-10-12 09:00:02, cat)  ,  (2019-10-12 09:00:02, dog)
			.flatMap{line =>
				val arr = line.trim.split(",")
				arr(1).split("\s ").map(word => (Timestamp.valueOf(arr(0)), word))
			}
			// 设置列的名称
			.toDF("insert_timestamp", "word")
		
		val resultStreamDF = etlStreamDF
			// TODO：设置基于事件时间（event time）窗口 -> insert_timestamp, 每5秒统计最近10秒内数据
			/*
				1. 先按照窗口分组、2. 再对窗口中按照单词分组、 3. 最后使用聚合函数聚合
			*/
			.groupBy(
				// 先按照窗口分组数据
				window($"insert_timestamp", "10 seconds", "5 seconds"),
				// 在每个窗口内，再按照单词word分组
				$"word"
			).count()
			.orderBy($"window") // 按照窗口字段降序排序
		
		/*
		root
			|-- window: struct (nullable = true)
			| |-- start: timestamp (nullable = true)
			| |-- end: timestamp (nullable = true)
			|-- word: string (nullable = true)
			|-- count: long (nullable = false)
		*/
		resultStreamDF.printSchema()
		
		// 4. 将计算的结果输出，打印到控制台
		val query: StreamingQuery = resultStreamDF.writeStream
			.outputMode(OutputMode.Complete())
			.format("console")
			.option("numRows", "100")
			.option("truncate", "false")
			.trigger(Trigger.ProcessingTime("5 seconds"))
			.start()
		query.awaitTermination()
		query.stop()
		
	}
	
}

11-[了解]-事件时间窗口分析之event-time 窗口生成

Structured Streaming中如何依据EventTime事件时间生成窗口的呢？

代码语言：javascript复制
基于事件时间窗口分析，第一个窗口时间依据第一条流式数据的事件时间EventTime计算得到的。

直接查看源码：org.apache.spark.sql.catalyst.analysis.TimeWindowing

12-[掌握]-水位Watermark引入及延迟数据

基于事件时间窗口分析，数据延迟到达，先产生的数据，后到达流式应用系统。 重新运行上面的流式计算程序，当数据延迟达到以后，发现数据会被继续处理。

代码语言：javascript复制
此时发现应用程序逻辑处理，不合理，存在如下2个问题：
- 问题一：
	延迟的数据，真的有必要在处理吗？？？？
		很多应用场景，都是没有必要处理，延迟性太高，没有实时性

- 问题二：
	实时窗口统计，内存中一直保存所有窗口统计数据，真的有必要吗？？
		不需要的，窗口分析：统计的最近数据的状态，以前的状态几乎没有任何作用
	如果流式应用程序运行很久，此时内存被严重消费，性能低下

StructuredStreaming中为了解决上述问题，提供一种机制：Watermark水位线机制

13-[掌握]-水位Watermark计算及案例演示

如下方式设置阈值Threshold，计算每批次数据执行时的水位Watermark：

看一下官方案例：词频统计WordCount，设置阈值Threshold为10分钟，每5分钟触发执行一次。

代码语言：javascript复制
package cn.itcast.spark.window

import java.sql.Timestamp

import org.apache.spark.sql.streaming.{OutputMode, StreamingQuery, Trigger}
import org.apache.spark.sql.{DataFrame, SparkSession}

/**
 * 基于Structured Streaming 读取TCP Socket读取数据，事件时间窗口统计词频，将结果打印到控制台
 * 	    TODO：每5秒钟统计最近10秒内的数据（词频：WordCount)，设置水位Watermark时间为10秒
			dog,2019-10-10 12:00:07
			owl,2019-10-10 12:00:08
			
			dog,2019-10-10 12:00:14
			cat,2019-10-10 12:00:09
			
			cat,2019-10-10 12:00:15
			dog,2019-10-10 12:00:08
			owl,2019-10-10 12:00:13
			owl,2019-10-10 12:00:21
			
			owl,2019-10-10 12:00:17
 */
object _07StructuredWatermarkUpdate {
	
	def main(args: Array[String]): Unit = {
		
		// 1. 构建SparkSession实例对象，传递sparkConf参数
		val spark: SparkSession =  SparkSession.builder()
			.appName(this.getClass.getSimpleName.stripSuffix("$"))
			.master("local[2]")
			.config("spark.sql.shuffle.partitions", "2")
			.getOrCreate()
		// b. 导入隐式转换及函数库
		import org.apache.spark.sql.functions._
		import spark.implicits._
		
		// 2. 使用SparkSession从TCP Socket读取流式数据
		val inputStreamDF: DataFrame = spark.readStream
			.format("socket")
			.option("host", "node1.itcast.cn")
			.option("port", 9999)
			.load()
		
		// 3. 针对获取流式DataFrame设置EventTime窗口及Watermark水位限制
		val etlStreamDF: DataFrame = inputStreamDF
			// 将DataFrame转换为Dataset操作，Dataset是类型安全，强类型
			.as[String]
			// 过滤无效数据
			.filter(line => null != line && line.trim.length > 0)
			// 将每行数据进行分割单词: 2019-10-12 09:00:02,cat dog
			.map{line =>
				val arr = line.trim.split(",")
				(arr(0), Timestamp.valueOf(arr(1)))
			}
			// 设置列的名称
			.toDF("word", "time")
			
		val resultStreamDF = etlStreamDF
			// TODO：设置水位Watermark
			.withWatermark("time", "10 seconds")
			// TODO：设置基于事件时间（event time）窗口 -> time, 每5秒统计最近10秒内数据
			.groupBy(
				window($"time", "10 seconds", "5 seconds"),
				$"word"
			).count()
		
		// 4. 将计算的结果输出，打印到控制台
		val query: StreamingQuery = resultStreamDF.writeStream
			.outputMode(OutputMode.Update())
			.format("console")
			.option("numRows", "100")
			.option("truncate", "false")
			.trigger(Trigger.ProcessingTime("5 seconds"))
			.start()  // 流式DataFrame，需要启动
		// 查询器一直等待流式应用结束
		query.awaitTermination()
		query.stop()
	}
	
}

附录一、创建Maven模块

1）、Maven 工程结构

2）、POM 文件内容

​ Maven 工程POM文件中内容（依赖包）：

代码语言：javascript复制
            aliyun
            http://maven.aliyun.com/nexus/content/groups/public/
        
        
            cloudera
            https://repository.cloudera.com/artifactory/cloudera-repos/
        
        
            jboss
            http://repository.jboss.com/nexus/content/groups/public
        
    

    
        2.11.12
        2.11
        2.4.5
        2.6.0-cdh5.16.2
        1.2.0-cdh5.16.2
        2.0.0
        8.0.19
        3.2.0
    

    

        
        
            org.scala-lang
            scala-library
            ${scala.version}
        
        
        
            org.apache.spark
            spark-core_${scala.binary.version}
            ${spark.version}
        
        
        
            org.apache.spark
            spark-sql_${scala.binary.version}
            ${spark.version}
        
        
        
            org.apache.spark
            spark-sql-kafka-0-10_${scala.binary.version}
            ${spark.version}
        
        
        
            org.apache.hadoop
            hadoop-client
            ${hadoop.version}
        
        
        
            org.apache.kafka
            kafka-clients
            2.0.0
        
        
        
            org.lionsoul
            ip2region
            1.7.2
        
        
        
            mysql
            mysql-connector-java
            ${mysql.version}
        
        
        
            redis.clients
            jedis
            ${jedis.version}
        
        
        
            com.alibaba
            fastjson
            1.2.47
        

    

    
        target/classes
        target/test-classes
        
            
                ${project.basedir}/src/main/resources
            
        
        
        
            
                org.apache.maven.plugins
                maven-compiler-plugin
                3.0
                
                    1.8
                    1.8
                    UTF-8
                
            
            
                net.alchim31.maven
                scala-maven-plugin
                3.2.0
                
                    
                        
                            compile
                            testCompile

${project.basedir}/src/main/resources org.apache.maven.plugins maven-compiler-plugin 3.0 1.8 1.8 UTF-8 net.alchim31.maven scala-maven-plugin 3.2.0 compile testCompile

kafka 物联网 数据处理 processing 日志数据

0 人点赞