Structed Streaming 小案例

1 首先是官网：

http://spark.apache.org/docs/latest/structured-streaming-programming-guide.ht

2.注意官方文档中的着重表示的地方例如（黑体加重，斜体等）
我们都知道spark streaming 是基于spark core API
那Structed Streaming基于的是什么？

 没错就是Spark SQL。 所以DataFrame/DataSet API 包括hive的一些functions 不要太好用哦！！！ 

下面这句话：“you can express your streaming computaion the same way
you would express a batch computation on a static data”
就保证了我们在实际开发时的成本比较低，当我们在开发一个的应用中包含流计算和批计算。

3.特点：

可扩展性，容错性（这都是必备的好吗？） 精确的一次语义 低延迟 

4.关键点：

Continuously processing 

databricks的blog上这篇文章写的也很好 https://databricks.com/blog/2016/07/28/continuous-applications-evolving-streaming-in-apache-spark-2-0.html

5.做到了端到端

延时1ms时能保证至at least one 的语义 延时100ms左右时，能做到 exactly once。 

6.然后就是流与其他的各种join， watermark的引入，总之和flink 相互发展促进。

Finally:最后贴一个小的 案例：

 object testSSApp extends App { val spark: SparkSession = SparkSession.builder().appName("baidu").master("local[2]").getOrCreate() // 结构化流 private val read = spark.readStream.format("kafka") .option("kafka.bootstrap.servers", "host1:port1,host2:port2") .option("subscribe", "topic1") .option("maxOffsetperTrigger", "1000000") .option("kafkaConsumer.pollTimeoutMs", "1000") .load() //读取的kafak 数据为json格式 val result = read.selectExpr("CAST(value AS STRING)") .select( get_json_object(col("value"), path = "$.uri").alias("uri"), get_json_object(col("value"), path = "$.market").alias("market") ).groupBy(window(col("timestamp"),"5min","1min"), col("shop")) .agg(count("market").alias("uv"), approx_count_distinct("uri").alias("pv")).select("*") val query = result.writeStream.trigger(Trigger.ProcessingTime(10000)).outputMode("Update") .format("console").start() //这里展示以console输出，实际中是回写到kafak或者外部存储。 query.awaitTermination() }