Spark Streaming 实现数据实时统计案例

Spark 是一个基于内存式的分布式计算框架。具有高性能，高效可扩展，容错等优点。
今天讲解一下spark的流计算，其实它也不完全是实时的流计算，算是一种准实时的流计算。
上图讲解

文章插图
运行环境:需要linux环境下的spark环境
本例用的 6.5x64 因为需要使用TCP协议传输数据，所以需要安装一个nc插件。
安装方式: yumncxxx 或者挂载光盘安装
安装后启动nc -lk 9999 端口可以随便指定，最好是1024以上的就可以。
下面贴出代码
java版本的

import java.util.Arrays;import java.util.List;import org.apache.spark.SparkConf;import org.apache.spark.api.java.function.FlatMapFunction;import org.apache.spark.api.java.function.Function2;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;public class SparkDemo {public static void main(String[] args) {SparkConf conf=new SparkConf().setAppName("sparkDemo2").setMaster("local[3]");JavaStreamingContext jsc=new JavaStreamingContext(conf,Durations.seconds(5));//使用带状态的算子，需要checkpoint做容错处理jsc.checkpoint("D://chkspark");JavaReceiverInputDStream socketTextStream=jsc.socketTextStream("10.115.27.234", 1000);JavaDStream wordsDstream=socketTextStream.flatMap(new FlatMapFunction() {private static final long serialVersionUID=1L;public Iterable call(String line) throws Exception {return Arrays.asList(line.split(" "));}});JavaPairDStream wordsToPairDstream=wordsDstream.mapToPair(new PairFunction() {private static final long SerialVersionUID=1L;public Tuple2 call(String word) throws Exception {return new Tuple2(word, 1);}});/*** 一个batch对应一个RDD 。* */ JavaPairDStream resultDstream=wordsToPairDstream.updateStateByKey(new Function2, Optional, Optional>() {private static final long serialVersionUID=1L;public Optional call(List values, Optional state) throws Exception {Integer oldValue=http://www.kingceram.com/post/0;//默认旧value是0if (state.isPresent()) {oldValue=state.get();}for (Integer value:values) {oldValue+=value;}return Optional.of(oldValue);}});//打印结果resultDstream.print();jsc.start();jsc.awaitTermination();}}

文章插图
程序测试: 从linux端的nc 下输入任意字符串，spark 会实时对输入的数据做出统计。类似于. 除非手动kill这个进程，否则会一直运行下去。因为它的原理就是和自来水的水流一样，是一连串的数据流。
运行结果展示:

文章插图
也可以用scala写出同样的程序，代码量更少。
需要深入理解spark 的架构原理。
【Spark Streaming 实现数据实时统计案例】本文转自51CTO博客，原文链接: