Spark Streaming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:每隔10秒,统计最近60秒的,每个种类的每个商品的点击次数,然后统计出每个种类top3热门的商品。
首先看一下,输入日志的格式
leo iphone mobile_phone
获取输入数据流
这里顺带提一句,之前没有讲过,就是说,我们的Spark Streaming的案例为什么都是基于socket的呢?因为这个比较方便我们的实践。
其实,企业里面,真正最常用的,都是基于Kafka这种数据源
但是我们的练习,用socket也无妨,比较方便,而且一点也不影响学习
因为不同的输入来源的,不同之处,只是在创建输入DStream的那一点点代码
所以,核心是在于之后的Spark Streaming的实时计算
所以只要我们掌握了各个案例和功能的使用
在企业里,切换到Kafka,是易如反掌的,因为我们之前都详细讲过,而且实验过,实战编码过,将Kafka作为数据源的两种方式了。
实现代码:
package streaming;
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.VoidFunction;
import org.apache.spark.sql.DataFrame;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.RowFactory;
import org.apache.spark.sql.hive.HiveContext;
import org.apache.spark.sql.types.DataTypes;
import org.apache.spark.sql.types.StructField;
import org.apache.spark.sql.types.StructType;
import org.apache.spark.streaming.Duration;
import org.apache.spark.streaming.Durations;
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 scala.Tuple2;
import java.util.ArrayList;
import java.util.List;
/**
* 与Spark SQL整合使用,top3热门商品实时统计
*/
public class Top3HotProduct {
public static void main(String[] args) {
SparkConf conf = new SparkConf()
.setMaster("local[2]")
.setAppName("Top3HotProduct");
JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(1));
// 获取输入数据流
JavaReceiverInputDStream<String> productClickLogsDStream = jssc.socketTextStream("192.168.131.101",9999);
// 然后,应该是做一个映射,将每个种类的每个商品,映射为(category_product, 1)的这种格式
// 从而在后面可以使用window操作,对窗口中的这种格式的数据,进行reduceByKey操作
// 从而统计出来,一个窗口中的每个种类的每个商品的,点击次数
JavaPairDStream<String, Integer> categoryProductPairsDStream =
productClickLogsDStream.mapToPair(x->new Tuple2<>(x.split(" ")[2]+"_"+x.split(" ")[1],1));
// 然后执行window操作
// 到这里,就可以做到,每隔10秒钟,对最近60秒的数据,执行reduceByKey操作
// 从而统计出来,一个窗口中的每个种类的每个商品的,点击次数
JavaPairDStream<String, Integer> categoryProductCountsDStream =
categoryProductPairsDStream.reduceByKeyAndWindow((v1,v2)->v1+v2, Durations.seconds(60),Durations.seconds(10));
// 统计出每个种类top3热门的商品
categoryProductCountsDStream.foreachRDD(new VoidFunction<JavaPairRDD<String, Integer>>() {
@Override
public void call(JavaPairRDD<String, Integer> categoryProductCountsRDD) throws Exception {
// 将该RDD,转换为JavaRDD<Row>的格式
JavaRDD<Row> categoryProductCountRowRDD = categoryProductCountsRDD.map(x->{
String category = x._1.split("_")[0];
String product = x._1.split("_")[1];
Integer count = x._2;
return RowFactory.create(category,product,count);
});
// 然后,执行DataFrame转换
List<StructField> structFields = new ArrayList<>();
structFields.add(DataTypes.createStructField("category",DataTypes.StringType,true));
structFields.add(DataTypes.createStructField("product",DataTypes.StringType,true));
structFields.add(DataTypes.createStructField("click_count",DataTypes.IntegerType,true));
StructType structType = DataTypes.createStructType(structFields);
HiveContext hiveContext = new HiveContext(categoryProductCountsRDD.context());
DataFrame categoryProductCountDF = hiveContext.createDataFrame(categoryProductCountRowRDD, structType);
// 将60秒内的每个种类的每个商品的点击次数的数据,注册为一个临时表
categoryProductCountDF.registerTempTable("product_click_log");
// 执行SQL语句,针对临时表,统计出来每个种类下,点击次数排名前3的热门商品
DataFrame top3ProductDF = hiveContext.sql(
"SELECT category,product,click_count "
+ "FROM ("
+ "SELECT "
+ "category,"
+ "product,"
+ "click_count,"
+ "row_number() OVER (PARTITION BY category ORDER BY click_count DESC) rank "
+ "FROM product_click_log"
+ ") tmp "
+ "WHERE rank<=3");
top3ProductDF.show();
}
});
jssc.start();
jssc.awaitTermination();
jssc.close();
}
}
这里说明一下,其实在企业场景中,可以不是打印的.按理说,应该将数据保存到redis缓存、或者是mysql db中,然后,应该配合一个J2EE系统,进行数据的展示和查询、图形报表。
开发完毕,开始打包,发布到Hadoop集群上,然后执行脚本
执行脚本如下:
在执行脚本前nc -l 9999已经开启,在nc下输入:
控制台结果打印如下:
从结果可以看到,a型手机点击了4次最多,其次是b型手机和c型手机。
至此,top3热门商品实时统计案例实践成功。
Scala版本:
package cn.spark.study.streaming
import org.apache.spark.SparkConf
import org.apache.spark.streaming.StreamingContext
import org.apache.spark.streaming.Seconds
import org.apache.spark.sql.Row
import org.apache.spark.sql.types.StructType
import org.apache.spark.sql.types.StructField
import org.apache.spark.sql.types.StringType
import org.apache.spark.sql.types.IntegerType
import org.apache.spark.sql.hive.HiveContext
/**
* @author Administrator
*/
object Top3HotProduct {
def main(args: Array[String]): Unit = {
val conf = new SparkConf()
.setMaster("local[2]")
.setAppName("Top3HotProduct")
val ssc = new StreamingContext(conf, Seconds(1))
val productClickLogsDStream = ssc.socketTextStream("spark1", 9999)
val categoryProductPairsDStream = productClickLogsDStream
.map { productClickLog => (productClickLog.split(" ")(2) + "_" + productClickLog.split(" ")(1), 1)}
val categoryProductCountsDStream = categoryProductPairsDStream.reduceByKeyAndWindow(
(v1: Int, v2: Int) => v1 + v2,
Seconds(60),
Seconds(10))
categoryProductCountsDStream.foreachRDD(categoryProductCountsRDD => {
val categoryProductCountRowRDD = categoryProductCountsRDD.map(tuple => {
val category = tuple._1.split("_")(0)
val product = tuple._1.split("_")(1)
val count = tuple._2
Row(category, product, count)
})
val structType = StructType(Array(
StructField("category", StringType, true),
StructField("product", StringType, true),
StructField("click_count", IntegerType, true)))
val hiveContext = new HiveContext(categoryProductCountsRDD.context)
val categoryProductCountDF = hiveContext.createDataFrame(categoryProductCountRowRDD, structType)
categoryProductCountDF.registerTempTable("product_click_log")
val top3ProductDF = hiveContext.sql(
"SELECT category,product,click_count "
+ "FROM ("
+ "SELECT "
+ "category,"
+ "product,"
+ "click_count,"
+ "row_number() OVER (PARTITION BY category ORDER BY click_count DESC) rank "
+ "FROM product_click_log"
+ ") tmp "
+ "WHERE rank<=3")
top3ProductDF.show()
})
ssc.start()
ssc.awaitTermination()
}
}