用實例講解Spark Sreaming--轉

本篇文章用Spark Streaming ＋Hbase爲列，Spark Streaming專爲流式數據處理，對Spark核心API進行了相應的擴展。

什麼是Spark Streaming？

首先，什麼是流式處理呢？數據流是一個數據持續不斷到達的無邊界序列集。流式處理是把接二連三的數據輸入分割成單元數據塊來處理。流式處理是一個低延遲的處理和流式數據分析。Spark Streaming對Spark核心API進行了相應的擴展，支持高吞吐、低延遲、可擴展的流式數據處理。實時數據處理應用的場景有下面幾個：

• 網站監控和網絡監控；
• 異常監測；
• 網頁點擊；
• 廣告數據；

物聯網（IOT）

圖1

Spark Streaming支持的數據源包括HDFS文件，TCP socket，Kafka，Flume，Twitter等，數據流能夠經過Spark核心API、DataFrame SQL或者機器學習API處理，並能夠持久化到本地文件、HDFS、數據庫或者其它任意支持Hadoop輸出格式的形式。

Spark Streaming如何工做？

Spark Streaming以X秒（batch size）爲時間間隔把數據流分割成Dstream，組成一個RDD序列。你的Spark應用處理RDD，並把處理的結果批量返回。

圖2

Spark Streaming例子的架構圖

圖3

Spark Streaming例子代碼分下面幾部分：
- 讀取流式數據；
- 處理流式數據；
- 寫處理結果倒Hbase表。

Spark處理部分的代碼涉及到以下內容：

• 讀取Hbase表的數據；
• 按天計算數據統計；
• 寫統計結果到Hbase表，列簇：stats。

數據集

數據集來自油泵信號數據，以CSV格式存儲在指定目錄下。Spark Streaming監控此目錄，CSV文件的格式如圖3。

圖4

採用Scala的case class來定義數據表結構，parseSensor函數解析逗號分隔的數據。

Hbase表結構

流式處理的Hbase表結構以下：

• 油泵名字 ＋ 日期 ＋ 時間戳 組合成row key；
• 列簇是由輸入數據列、報警數據列等組成，並設置過時時間。
• 天天等統計數據表結構以下：
• 油泵名和日期組成row key；

列簇爲stats，包含列有最大值、最小值和平均值；

圖5

配置寫入Hbase表

Spark直接用TableOutputFormat類寫數據到Hbase裏，跟在MapReduce中寫數據到Hbase表同樣，下面就直接用TableOutputFormat類了。

Spark Streaming代碼

Spark Streaming的基本步驟：

• 初始化Spark StreamingContext對象；
• 在DStream上進行transformation操做和輸出操做；
• 開始接收數據並用streamingContext.start()；
• 等待處理中止，streamingContext.awaitTermination()。

初始化Spark StreamingContext對象

建立 StreamingContext對象，StreamingContext是Spark Streaming處理的入口，這裏設置2秒的時間間隔。

val sparkConf = new SparkConf().setAppName("HBaseStream")
// create a StreamingContext, the main entry point for all streaming functionality
val ssc = new StreamingContext(sparkConf, Seconds(2))

接下來用StreamingContext的textFileStream(directory)建立輸入流跟蹤Hadoop文件系統的新文件，並處理此目錄下的全部文件，這裏directory指文件目錄。

// create a DStream that represents streaming data from a directory source
val linesDStream = ssc.textFileStream("/user/user01/stream")

linesDStream是數據流，每條記錄是按行記錄的text格式。

圖6

對DStream進行transformation操做和輸出操做

接下來進行解析，對linesDStream進行map操做，map操做是對RDD應用Sensor.parseSensor函數，返回Sensor的RDD。

// parse each line of data in linesDStream into sensor objects
val sensorDStream = linesDStream.map(Sensor.parseSensor)

圖7

對DStream的每一個RDD執行foreachRDD 方法，使用filter過濾Sensor中低psi值來建立報警，使用Hbase的Put對象轉換sensor和alter數據以便能寫入到Hbase。而後使用PairRDDFunctions的saveAsHadoopDataset方法將最終結果寫入到任何Hadoop兼容到存儲系統。

// for each RDD. performs function on each RDD in DStream
sensorRDD.foreachRDD { rdd =>
// filter sensor data for low psi
val alertRDD = rdd.filter(sensor => sensor.psi < 5.0)
// convert sensor data to put object and write to HBase Table CF data
rdd.map(Sensor.convertToPut).saveAsHadoopDataset(jobConfig)
// convert alert to put object write to HBase Table CF alerts
rdd.map(Sensor.convertToPutAlert).saveAsHadoopDataset(jobConfig)
}

sensorRDD通過Put對象轉換，而後寫入到Hbase。

圖8

開始接收數據

經過streamingContext.start()顯式的啓動數據接收，而後調用streamingContext.awaitTermination()來等待計算完成。

// Start the computation
    ssc.start()
    // Wait for the computation to terminate
    ssc.awaitTermination()

Spark讀寫Hbase

如今開始讀取Hbase的sensor表，計算每條的統計指標並把對應的數據寫入stats列簇。

圖9

下面的代碼讀取Hbase的sensor表psi列數據，用StatCounter計算統計數據，而後寫入stats列簇。

// configure HBase for reading 
    val conf = HBaseConfiguration.create()
    conf.set(TableInputFormat.INPUT_TABLE, HBaseSensorStream.tableName)
    // scan data column family psi column
    conf.set(TableInputFormat.SCAN_COLUMNS, "data:psi") 
// Load an RDD of (row key, row Result) tuples from the table
    val hBaseRDD = sc.newAPIHadoopRDD(conf, classOf[TableInputFormat],
      classOf[org.apache.hadoop.hbase.io.ImmutableBytesWritable],
      classOf[org.apache.hadoop.hbase.client.Result])
    // transform (row key, row Result) tuples into an RDD of Results
    val resultRDD = hBaseRDD.map(tuple => tuple._2)
    // transform into an RDD of (RowKey, ColumnValue)s , with Time removed from row key
    val keyValueRDD = resultRDD.
              map(result => (Bytes.toString(result.getRow()).
              split(" ")(0), Bytes.toDouble(result.value)))
    // group by rowkey , get statistics for column value
    val keyStatsRDD = keyValueRDD.
             groupByKey().
             mapValues(list => StatCounter(list))
    // convert rowkey, stats to put and write to hbase table stats column family
    keyStatsRDD.map { case (k, v) => convertToPut(k, v) }.saveAsHadoopDataset(jobConfig)

下面的流程圖顯示newAPIHadoopRDD輸出，（row key，result）的鍵值對。PairRDDFunctions 的saveAsHadoopDataset方法把Put對象存入到Hbase。

圖10

運行Spark Streaming應用

運行Spark Streaming應用跟運行Spark應用相似，比較簡單，此處不贅述，參見Spark Streaming官方文檔。