Spark 实时计算整合案例
1.概述 最近有同学问道，除了使用 Storm 充当实时计算的模型外，还有木有其他的方式来实现实时计算的业务。了解到，在使用 Storm 时，需要编写基于编程语言的代码。比如，要实现一个流水指标的统计，需要去编写相应的业务代码，能不能有一种简便的方式来实现这一需求。在解答了该同学的疑惑后，整理了该实现方案的一个案例，供后面的同学学习参考。 2.内容 实现该方案，整体的流程是不变的，我这里只是替换了其计算模型，将 Storm 替换为 Spark，原先的数据收集，存储依然可以保留。 2.1 Spark Overview Spark 出来也是很久了，说起它，应该并不会陌生。它是一个开源的类似于 Hadoop MapReduce 的通用并行计算模型，它拥有 Hadoop MapReduce 所具有的有点，但与其不同的是，MapReduce 的 JOB 中间输出结果可以保存在内存中，不再需要回写磁盘，因而，Spark 能更好的适用于需要迭代的业务场景。 2.2 Flow 上面只是对 Spark 进行了一个简要的概述，让大家知道其作用，由于本篇博客的主要内容并不是讲述 Spark 的工作原理和计算方法，多的内容，这里笔者就不再赘述，若是大家想详细了解 Spark 的相关内容，可参考官方文档。［参考地址］ 接下来，笔者为大家呈现本案例的一个实现流程图，如下图所示： 通过上图，我们可以看出，首先是采集上报的日志数据，将其存放于消息中间件，这里消息中间件采用的是 Kafka，然后在使用计算模型按照业务指标实现相应的计算内容，最后是将计算后的结果进行持久化，DB 的选择可以多样化，这里笔者就直接使用了 Redis 来作为演示的存储介质，大家所示在使用中，可以替换该存储介质，比如将结果存放到 HDFS，HBase Cluster，或是 MySQL 等都行。这里，我们使用 Spark SQL 来替换掉 Storm 的业务实现编写。 3.实现 在介绍完上面的内容后，我们接下来就去实现该内容，首先我们要生产数据源，实际的场景下，会有上报好的日志数据，这里，我们就直接写一个模拟数据类，实现代码如下所示： 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 object KafkaIPLoginProducer { private val uid = Array( "123dfe" , "234weq" , "213ssf" ) private val random = new Random() private var pointer = - 1 def getUserID() : String = { pointer = pointer + 1 if (pointer > = users.length) { pointer = 0 uid(pointer) } else { uid(pointer) } } def plat() : String = { random.nextInt( 10 ) + "10" } def ip() : String = { random.nextInt( 10 ) + ".12.1.211" } def country() : String = { "中国" + random.nextInt( 10 ) } def city() : String = { "深圳" + random.nextInt( 10 ) } def location() : JSONArray = { JSON.parseArray( "[" + random.nextInt( 10 ) + "," + random.nextInt( 10 ) + "]" ) } def main(args : Array[String]) : Unit = { val topic = "test_data3" val brokers = "dn1:9092,dn2:9092,dn3:9092" val props = new Properties() props.put( "metadata.broker.list" , brokers) props.put( "serializer.class" , "kafka.serializer.StringEncoder" ) val kafkaConfig = new ProducerConfig(props) val producer = new Producer[String, String](kafkaConfig) while ( true ) { val event = new JSONObject() event .put( "_plat" , "1001" ) .put( "_uid" , "10001" ) .put( "_tm" , (System.currentTimeMillis / 1000 ).toString()) .put( "ip" , ip) .put( "country" , country) .put( "city" , city) .put( "location" , JSON.parseArray( "[0,1]" )) println( "Message sent: " + event) producer.send( new KeyedMessage[String, String](topic, event.toString)) event .put( "_plat" , "1001" ) .put( "_uid" , "10001" ) .put( "_tm" , (System.currentTimeMillis / 1000 ).toString()) .put( "ip" , ip) .put( "country" , country) .put( "city" , city) .put( "location" , JSON.parseArray( "[0,1]" )) println( "Message sent: " + event) producer.send( new KeyedMessage[String, String](topic, event.toString)) event .put( "_plat" , "1001" ) .put( "_uid" , "10002" ) .put( "_tm" , (System.currentTimeMillis / 1000 ).toString()) .put( "ip" , ip) .put( "country" , country) .put( "city" , city) .put( "location" , JSON.parseArray( "[0,1]" )) println( "Message sent: " + event) producer.send( new KeyedMessage[String, String](topic, event.toString)) event .put( "_plat" , "1002" ) .put( "_uid" , "10001" ) .put( "_tm" , (System.currentTimeMillis / 1000 ).toString()) .put( "ip" , ip) .put( "country" , country) .put( "city" , city) .put( "location" , JSON.parseArray( "[0,1]" )) println( "Message sent: " + event) producer.send( new KeyedMessage[String, String](topic, event.toString)) Thread.sleep( 30000 ) } } } 上面代码，通过 Thread.sleep() 来控制数据生产的速度。接下来，我们来看看如何实现每个用户在各个区域所分布的情况，它是按照坐标分组，平台和用户ID过滤进行累加次数，逻辑用 SQL 实现较为简单，关键是在实现过程中需要注意的一些问题，比如对象的序列化问题。这里，细节的问题，我们先不讨论，先看下实现的代码，如下所示： 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 object IPLoginAnalytics { def main(args : Array[String]) : Unit = { val sdf = new SimpleDateFormat( "yyyyMMdd" ) var masterUrl = "local[2]" if (args.length > 0 ) { masterUrl = args( 0 ) } // Create a StreamingContext with the given master URL val conf = new SparkConf().setMaster(masterUrl).setAppName( "IPLoginCountStat" ) val ssc = new StreamingContext(conf, Seconds( 5 )) // Kafka configurations val topics = Set( "test_data3" ) val brokers = "dn1:9092,dn2:9092,dn3:9092" val kafkaParams = Map[String, String]( "metadata.broker.list" -> brokers, "serializer.class" -> "kafka.serializer.StringEncoder" ) val ipLoginHashKey = "mf::ip::login::" + sdf.format( new Date()) // Create a direct stream val kafkaStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](ssc, kafkaParams, topics) val events = kafkaStream.flatMap(line = > { val data = JSONObject.fromObject(line. _ 2 ) Some(data) }) def func(iter : Iterator[(String, String)]) : Unit = { while (iter.hasNext) { val item = iter.next() println(item. _ 1 + "," + item. _ 2 ) } } events.foreachRDD { rdd = > // Get the singleton instance of SQLContext val sqlContext = SQLContextSingleton.getInstance(rdd.sparkContext) import sqlContext.implicits. _ // Convert RDD[String] to DataFrame val wordsDataFrame = rdd.map(f = > Record(f.getString( "_plat" ), f.getString( "_uid" ), f.getString( "_tm" ), f.getString( "country" ), f.getString( "location" ))).toDF() // Register as table wordsDataFrame.registerTempTable( "events" ) // Do word count on table using SQL and print it val wordCountsDataFrame = sqlContext.sql( "select location,count(distinct plat,uid) as value from events where from_unixtime(tm,'yyyyMMdd') = '" + sdf.format( new Date()) + "' group by location" ) var results = wordCountsDataFrame.collect().iterator /** * Internal Redis client for managing Redis connection {@link Jedis} based on {@link RedisPool} */ object InternalRedisClient extends Serializable { @ transient private var pool : JedisPool = null def makePool(redisHost : String, redisPort : Int, redisTimeout : Int, maxTotal : Int, maxIdle : Int, minIdle : Int) : Unit = { makePool(redisHost, redisPort, redisTimeout, maxTotal, maxIdle, minIdle, true , false , 10000 ) } def makePool(redisHost : String, redisPort : Int, redisTimeout : Int, maxTotal : Int, maxIdle : Int, minIdle : Int, testOnBorrow : Boolean, testOnReturn : Boolean, maxWaitMillis : Long) : Unit = { if (pool == null ) { val poolConfig = new GenericObjectPoolConfig() poolConfig.setMaxTotal(maxTotal) poolConfig.setMaxIdle(maxIdle) poolConfig.setMinIdle(minIdle) poolConfig.setTestOnBorrow(testOnBorrow) poolConfig.setTestOnReturn(testOnReturn) poolConfig.setMaxWaitMillis(maxWaitMillis) pool = new JedisPool(poolConfig, redisHost, redisPort, redisTimeout) val hook = new Thread { override def run = pool.destroy() } sys.addShutdownHook(hook.run) } } def getPool : JedisPool = { assert(pool ! = null ) pool } } // Redis configurations val maxTotal = 10 val maxIdle = 10 val minIdle = 1 val redisHost = "dn1" val redisPort = 6379 val redisTimeout = 30000 InternalRedisClient.makePool(redisHost, redisPort, redisTimeout, maxTotal, maxIdle, minIdle) val jedis = InternalRedisClient.getPool.getResource while (results.hasNext) { var item = results.next() var key = item.getString( 0 ) var value = item.getLong( 1 ) jedis.hincrBy(ipLoginHashKey, key, value) } } ssc.start() ssc.awaitTermination() } } /** Case class for converting RDD to DataFrame */ case class Record(plat : String, uid : String, tm : String, country : String, location : String) /** Lazily instantiated singleton instance of SQLContext */ object SQLContextSingleton { @ transient private var instance : SQLContext = _ def getInstance(sparkContext : SparkContext) : SQLContext = { if (instance == null ) { instance = new SQLContext(sparkContext) } instance } } 我们在开发环境进行测试的时候，使用 local[k] 部署模式，在本地启动 K 个 Worker 线程来进行计算，而这 K 个 Worker 在同一个 JVM 中，上面的示例，默认使用 local[k] 模式。这里我们需要普及一下 Spark 的架构，架构图来自 Spark 的官网，[链接地址] 这里，不管是在 local[k] 模式，Standalone 模式，还是 Mesos 或是 YARN 模式，整个 Spark Cluster 的结构都可以用改图来阐述，只是各个组件的运行环境略有不同，从而导致他们可能运行在分布式环境，本地环境，亦或是一个 JVM 实利当中。例如，在 local[k] 模式，上图表示在同一节点上的单个进程上的多个组件，而对于 YARN 模式，驱动程序是在 YARN Cluster 之外的节点上提交 Spark 应用，其他组件都是运行在 YARN Cluster 管理的节点上的。 而对于 Spark Cluster 部署应用后，在进行相关计算的时候会将 RDD 数据集上的函数发送到集群中的 Worker 上的 Executor，然而，这些函数做操作的对象必须是可序列化的。上述代码利用 Scala 的语言特性，解决了这一问题。 4.结果预览 在完成上述代码后，我们执行代码，看看预览结果如下，执行结果，如下所示： 4.1 启动生产线程 4.2 Redis 结果预览 5.总结 整体的实现内容不算太复杂，统计的业务指标，这里我们使用 SQL 来完成这部分工作，对比 Storm 来说，我们专注 SQL 的编写就好，难度不算太大。可操作性较为友好。 6.结束语 这篇博客就和大家分享到这里，如果大家在研究学习的过程当中有什么问题，可以加群进行讨论或发送邮件给我，我会尽我所能为您解答，与君共勉！
