SparkStreaming_window_sparksql_reids

1.5 window

滚动窗口+滑动窗口

window操作就是窗口函数。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。

1. 红色的矩形就是一个窗口，窗口hold的是一段时间内的数据流。

2. 这里面每一个time都是时间单元，在官方的例子中，每隔window size是3 time unit, 而且每隔2个单位时间，窗口会slide一次。

所以基于窗口的操作，需要指定2个参数：

window length – The duration of the window (3 in the figure)

slide interval – The interval at which the window-based operation is performed (2 in the figure).

1. 窗口大小，个人感觉是一段时间内数据的容器。

2. 滑动间隔，就是我们可以理解的cron表达式吧。

案例实现

package com.qianfeng.sparkstreaming
​
import org.apache.spark.SparkConf
import org.apache.spark.streaming.dstream.DStream
import org.apache.spark.streaming.{Seconds, StreamingContext}
​
/**
 * 统计，截止到目前为止出现的每一个key的次数
 * window窗口操作，每个多长M时间,通过过往N长时间内产生的数据
 * M就是滑动长度sliding interval
 * N就是窗口长度window length
 */
object Demo05_WCWithWindow {
 def main(args: Array[String]): Unit = {
  val conf = new SparkConf()
    .setAppName("WordCountUpdateStateByKey")
    .setMaster("local[*]")
  val batchInterval = 2
  val duration = Seconds(batchInterval)
  val ssc = new StreamingContext(conf, duration)
  val lines:DStream[String] = ssc.socketTextStream("qianfeng01", 6666)
  val pairs:DStream[(String, Int)] = lines.flatMap(_.split("s+")).map((_, 1))
​
  val ret:DStream[(String, Int)] = pairs.reduceByKeyAndWindow(_+_,
   windowDuration = Seconds(batchInterval * 3),
   slideDuration = Seconds(batchInterval * 2))
​
  ret.print()
​
  ssc.start()
  ssc.awaitTermination()
  }
}

1.6 SparkSQL和SparkStreaming的整合案例

Spark最强大的地方在于，可以与Spark Core、Spark SQL整合使用，之前已经通过transform、foreachRDD等算子看到，如何将DStream中的RDD使用Spark Core执行批处理操作。现在就来看看，如何将DStream中的RDD与Spark SQL结合起来使用。

案例：top3的商品排序： 最新的top3

这里就是基于updatestateByKey，统计截止到目前为止的不同品类下的商品销量top3

代码实现

package com.qianfeng.sparkstreaming
​
import org.apache.spark.SparkConf
import org.apache.spark.sql.SparkSession
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.streaming.dstream.DStream
/**
 * SparkStreaming整合SparkSQL的案例之，热门品类top3排行
 * 输入数据格式：
 * id brand category
 * 1 huwei watch
 * 2 huawei phone
 *
 */
object Demo06_SQLWithStreaming {
 def main(args: Array[String]): Unit = {
  val conf = new SparkConf()
    .setAppName("StreamingIntegerationSQL")
    .setMaster("local[*]")
  val batchInterval = 2
  val duration = Seconds(batchInterval)
  val spark = SparkSession.builder()
    .config(conf)
    .getOrCreate()
  val ssc = new StreamingContext(spark.sparkContext, duration)
  ssc.checkpoint("/Users/liyadong/data/sparkdata/streamingdata/chk-1")
  val lines:DStream[String] = ssc.socketTextStream("qianfeng01", 6666)
  //001 mi moblie
  val pairs:DStream[(String, Int)] = lines.map(line => {
   val fields = line.split("s+")
   if(fields == null || fields.length != 3) {
     ("", -1)
    } else {
    val brand = fields(1)
    val category = fields(2)
     (s"${category}_${brand}", 1)
    }
   }).filter(t => t._2 != -1)
​
  val usb:DStream[(String, Int)] = pairs.updateStateByKey(updateFunc)
​
  usb.foreachRDD((rdd, bTime) => {
   if(!rdd.isEmpty()) {//category_brand count
    import spark.implicits._
    val df = rdd.map{case (cb, count) => {
     val category = cb.substring(0, cb.indexOf("_"))
     val brand = cb.substring(cb.indexOf("_") + 1)
      (category, brand, count)
     }}.toDF("category", "brand", "sales")
​
    df.createOrReplaceTempView("tmp_category_brand_sales")
    val sql =
     """
      |select
      |  t.category,
      |  t.brand,
      |  t.sales,
      |  t.rank
      |from (
      |  select
      |   category,
      |   brand,
      |   sales,
      |   row_number(服务器托管网) over(partition by category order by sales desc) rank
服务器托管网      |  from tmp_category_brand_sales
      |) t
      |where t.rank  
1.7 SparkStreaming整合Reids
 
//将实时结果写入Redis中
dStream.foreachRDD((w,c)=>{
 val jedis = new Jedis("192.168.10.101", 6379)  //抽到公共地方即可
 jedis.auth("root")
 jedis.set(w.toString(),c.toString()) //一个key对应多个值，可以考虑hset
})
Guff_hys_python数据结构,大数据开发学习,python实训项目-CSDN博客

                服务器托管，北京服务器托管，服务器租用 http://www.fwqtg.net
相关推荐: CentOS 同时安装多个版本的Python3

1、背景 已安装了 Python3.6.4，需要再安装 Python3.9 版本 2、操作步骤 （1）寻找当前 Python3.9 版本最新稳定版的子版本 通过官网查找，目前为 3.9.18，下载到本地 文件：Python-3.9.18.tgz （2）通过 X…