5六、Spark Streaming: transform以及實時黑名單過濾案例實戰

1、transform以及實時黑名單過濾案例實戰

一、概述

transform操做，應用在DStream上時，能夠用於執行任意的RDD到RDD的轉換操做。它能夠用於實現，DStream API中所沒有提供的操做。好比說，DStream API中，
並無提供將一個DStream中的每一個batch，與一個特定的RDD進行join的操做。可是咱們本身就可使用transform操做來實現該功能。

DStream.join()，只能join其餘DStream。在DStream每一個batch的RDD計算出來以後，會去跟其餘DStream的RDD進行join。

案例：廣告計費日誌實時黑名單過濾

 

二、java案例

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;

/**
 * 基於transform的實時廣告計費日誌黑名單過濾
 * 
 * @author bcqf
 *
 */
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));
        
        // 用戶對咱們的網站上的廣告能夠進行點擊
        // 點擊以後，是否是要進行實時計費，點一下，算一次錢
        // 可是，對於那些幫助某些無良商家刷廣告的人，那麼咱們有一個黑名單
        // 只要是黑名單中的用戶點擊的廣告，咱們就給過濾掉
        
        // 先作一份模擬的黑名單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);
        
        // 這裏的日誌格式，就簡化一下，就是date username的方式
        JavaReceiverInputDStream<String> adsClickLogDStream = jssc.socketTextStream("spark1", 9999);
        
        // 因此，要先對輸入的數據，進行一下轉換操做，變成，(username, date username)
        // 以便於，後面對每一個batch RDD，與定義好的黑名單RDD進行join操做
        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);
                    }
                    
                });
        
        // 而後，就能夠執行transform操做了，將每一個batch的RDD，與黑名單RDD進行join、filter、map等操做
        // 實時進行黑名單過濾
        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 {
                        // 這裏爲何用左外鏈接？
                        // 由於，並非每一個用戶都存在於黑名單中的
                        // 因此，若是直接用join，那麼沒有存在於黑名單中的數據，會沒法join到
                        // 就給丟棄掉了
                        // 因此，這裏用leftOuterJoin，就是說，哪怕一個user不在黑名單RDD中，沒有join到
                        // 也仍是會被保存下來的
                        JavaPairRDD<String, Tuple2<String, Optional<Boolean>>> joinedRDD = 
                                userAdsClickLogRDD.leftOuterJoin(blacklistRDD);
                        
                        // 鏈接以後，執行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 {
                                                // 這裏的tuple，就是每一個用戶，對應的訪問日誌，和在黑名單中
                                                // 的狀態
                                                if(tuple._2._2().isPresent() && 
                                                        tuple._2._2.get()) {  
                                                    return false;
                                                }
                                                return true;
                                            }
                                            
                                        });
                        
                        // 此時，filteredRDD中，就只剩下沒有被黑名單過濾的用戶點擊了
                        // 進行map操做，轉換成咱們想要的格式
                        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;
                    }
                    
                });
        
        // 打印有效的廣告點擊日誌
        // 其實在真實企業場景中，這裏後面就能夠走寫入kafka、ActiveMQ等這種中間件消息隊列
        // 而後再開發一個專門的後臺服務，做爲廣告計費服務，執行實時的廣告計費，這裏就是隻拿到了有效的廣告點擊
        validAdsClickLogDStream.print();
        
        jssc.start();
        jssc.awaitTermination();
        jssc.close();
    }
    
}




##在eclipse中運行程序


##服務器端運行nc
[root@spark1 kafka]# nc -lk 9999
20150814 marry
20150814 tom


##結果，tom已經被過濾掉了
20150814 marry

 

二、scala案例

package cn.spark.study.streaming

import org.apache.spark.SparkConf
import org.apache.spark.streaming.StreamingContext
import org.apache.spark.streaming.Seconds

/**
 * @author bcqf
 */
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()
  }
  
}