基於案例貫通 Spark Streaming 流計算框架的運行源碼

 

本期內容 :

• Spark Streaming+Spark SQL案例展現
• 基於案例貫穿Spark Streaming的運行源碼

 

1、 案例代碼闡述 :

　　在線動態計算電商中不一樣類別中最熱門的商品排名，例如:手機類別中最熱門的三種手機、電視類別中最熱門的三種電視等。

 

　　一、案例運行代碼 :

import org.apache.spark.SparkConf
import org.apache.spark.sql.Row
import org.apache.spark.sql.hive.HiveContext
import org.apache.spark.sql.types.{IntegerType, StringType, StructField, StructType}
import org.apache.spark.streaming.{Seconds, StreamingContext}

object OnlineTheTop3ItemForEachCategory2DB {
  def main(args: Array[String]){
　　　/**
　　　　*
　　　　* 第1步：建立Spark的配置對象SparkConf，設置Spark程序的運行時的配置信息，
　　　　*/
    val conf = new SparkConf() //建立SparkConf對象
    conf.setAppName("OnlineTheTop3ItemForEachCategory2DB") //設置應用程序的名稱，在程序運行的監控界面能夠看到名稱
　　//conf.setMaster("spark://Master:7077") //此時，程序在Spark集羣
    conf.setMaster("local[6]")
    //設置batchDuration時間間隔來控制Job生成的頻率而且建立Spark Streaming執行的入口
    val ssc = new StreamingContext(conf, Seconds(5))

    ssc.checkpoint("/root/Documents/SparkApps/checkpoint")

    val userClickLogsDStream = ssc.socketTextStream("Master", 9999)

    val formattedUserClickLogsDStream = userClickLogsDStream.map(clickLog =>
        (clickLog.split(" ")(2) + "_" + clickLog.split(" ")(1), 1))

　　//val categoryUserClickLogsDStream = formattedUserClickLogsDStream.reduceByKeyAndWindow((v1:Int, v2: Int) => v1 + v2,
　　//(v1:Int, v2: Int) => v1 - v2, Seconds(60), Seconds(20))

    val categoryUserClickLogsDStream = formattedUserClickLogsDStream.reduceByKeyAndWindow(_+_,
      _-_, Seconds(60), Seconds(20))

    categoryUserClickLogsDStream.foreachRDD { rdd => {
      if (rdd.isEmpty()) {
        println("No data inputted!!!")
      } else {
        val categoryItemRow = rdd.map(reducedItem => {
          val category = reducedItem._1.split("_")(0)
          val item = reducedItem._1.split("_")(1)
          val click_count = reducedItem._2
          Row(category, item, click_count)
        })

        val structType = StructType(Array(
          StructField("category", StringType, true),
          StructField("item", StringType, true),
          StructField("click_count", IntegerType, true)
        ))

        val hiveContext = new HiveContext(rdd.context)
        val categoryItemDF = hiveContext.createDataFrame(categoryItemRow, structType)

        categoryItemDF.registerTempTable("categoryItemTable")

        val reseltDataFram = hiveContext.sql("SELECT category,item,click_count FROM (SELECT category,item,click_count,row_number()" +
          " OVER (PARTITION BY category ORDER BY click_count DESC) rank FROM categoryItemTable) subquery " +
          " WHERE rank <= 3")
        reseltDataFram.show()

        val resultRowRDD = reseltDataFram.rdd

        resultRowRDD.foreachPartition { partitionOfRecords => {

          if (partitionOfRecords.isEmpty){
            println("This RDD is not null but partition is null")
          } else {
            // ConnectionPool is a static, lazily initialized pool of connections
            val connection = ConnectionPool.getConnection()
            partitionOfRecords.foreach(record => {
              val sql = "insert into categorytop3(category,item,client_count) values('" + record.getAs("category") + "','" +
                record.getAs("item") + "'," + record.getAs("click_count") + ")"
              val stmt = connection.createStatement();
              stmt.executeUpdate(sql);

            })
            ConnectionPool.returnConnection(connection) // return to the pool for future reuse

          }
        }
        }
      }
    }
    ssc.start()
    ssc.awaitTermination()

  }
　}
}

 　　二、案例流程框架圖 :

　　

2、 基於案例的源碼解析 ：

　　一、 構建Spark的配置對象SparkConf，設置Spark程序的運行時的配置信息：

　　

　　二、構建StreamingContext時傳遞SparkConf參數在內部建立SparkContext ：

　　

　　

　　三、建立了 StreamingContext ： 同時說明Spark Streaming 是Spark Core上的一個應用程序

　　

　　四、 checkpoint 持久化

　　五、構建SocketTextStream 獲取輸入源

　　

　　　　0一、 建立Socket 獲取輸入流

　　　　

　　　　0二、 SocketInputDstream繼承ReceiverInputDStream，經過構建Receiver來接收數據

　　　　

　　　　

　　　　

　　　　0三、 建立SocketReceiver

　　　　

　　　　0四、 經過Receiver 在網絡獲取相關數據

　　　　

　　　　0五、數據輸出

　　　　

　　　　0六、生成job做業

　　　　

　　　　0七、 根據時間間隔產生RDD ，存儲數據

　　　　

　　　　

　六、 Streaming Start :

　　　　

　七、 流程總結 ：

　　　　0一、 在StreamingContext調用start方法的內部實際上是會啓動JobScheduler的Start方法，進行消息循環。

　　　　0二、 在JobScheduler的start內部會構造JobGenerator和ReceiverTacker，而且調用JobGenerator和ReceiverTacker的start方法：

• • • JobGenerator啓動後會不斷的根據batchDuration生成一個個的Job ；
    • ReceiverTracker啓動後首先在Spark Cluster中啓動Receiver （實際上是在Executor中先啓動ReceiverSupervisor）；

　　　　0三、 在Receiver收到數據後會經過ReceiverSupervisor存儲到Executor而且把數據的Metadata信息發送給Driver中的ReceiverTracker 。

　　　　0四、 在ReceiverTracker內部會經過ReceivedBlockTracker來管理接受到的元數據信息 。

　　　　0五、 每一個BatchInterval會產生一個具體的Job，其實這裏的Job不是Spark Core中所指的Job，它只是基於DStreamGraph而生成的RDD的DAG而已 。

　　　　0六、 要想運行Job須要提交給JobScheduler，在JobScheduler中經過線程池的方式找到一個單獨的線程來提交Job到集羣運行（在線程中基於RDD的Action觸發真正的做業的運行）。