Spark Streaming中的操作函数讲解

 

根据根据Spark官方文档中的描述，在Spark Streaming应用中，一个DStream对象可以调用多种操作，主要分为以下几类

• Transformations
• Window Operations
• Join Operations
• Output Operations

一、Transformations

1、map(func)

　　map操作需要传入一个函数当做参数，具体调用形式为

　　主要作用是，对DStream对象a，将func函数作用到a中的每一个元素上并生成新的元素，得到的DStream对象b中包含这些新的元素。 
　　下面示例代码的作用是，在接收到的一行消息后面拼接一个”_NEW”字符串

　　程序运行结果如下： 
　　 
　　注意与接下来的flatMap操作进行比较。

2、flatMap(func)

　　类似于上面的map操作，具体调用形式为

　　主要作用是，对DStream对象a，将func函数作用到a中的每一个元素上并生成0个或多个新的元素，得到的DStream对象b中包含这些新的元素。

　　下面示例代码的作用是，在接收到的一行消息lines后，将lines根据空格进行分割，分割成若干个单词

    

　　结果如下： 
　　

3、 filter(func)

　　filter传入一个func函数，具体调用形式为

　　对DStream a中的每一个元素，应用func方法进行计算，如果func函数返回结果为true，则保留该元素，否则丢弃该元素，返回一个新的DStream b。

　　下面示例代码中，对words进行判断，去除hello这个单词。

　　结果如下： 
　　

4、union(otherStream)

　　这个操作将两个DStream进行合并，生成一个包含着两个DStream中所有元素的新DStream对象。 
　　下面代码，首先将输入的每一个单词后面分别拼接“_one”和“_two”，最后将这两个DStream合并成一个新的DStream

 

     

 

　　运行结果如下： 
　　

5、count()

　　统计DStream中每个RDD包含的元素的个数，得到一个新的DStream，这个DStream中只包含一个元素，这个元素是对应语句单词统计数值。 
　　以下代码，统计每一行中的单词数

　　运行结果如下，一行输入4个单词，打印的结果也为4。 
　　

6、reduce(func)

　　返回一个包含一个元素的DStream，传入的func方法会作用在调用者的每一个元素上，将其中的元素顺次的两两进行计算。 
　　下面的代码，将每一个单词用”-“符号进行拼接

       

　　运行结果如下： 
　　

7、countByValue()

　　某个DStream中的元素类型为K，调用这个方法后，返回的DStream的元素为(K, Long)对，后面这个Long值是原DStream中每个RDD元素key出现的频率。 
　　以下代码统计words中不同单词的个数

　　结果如下： 
　　

8、reduceByKey(func, [numTasks])

　　调用这个操作的DStream是以(K, V)的形式出现，返回一个新的元素格式为(K, V)的DStream。返回结果中，K为原来的K，V是由K经过传入func计算得到的。还可以传入一个并行计算的参数，在local模式下，默认为2。在其他模式下，默认值由参数spark.default.parallelism确定。 
　　下面代码将words转化成(word, 1)的形式，再以单词为key，个数为value，进行word count。

     

　　结果如下， 
　　

9、join(otherStream, [numTasks])

　　由一个DStream对象调用该方法，元素内容为(k, V)，传入另一个DStream对象，元素内容为(k, W)，返回的DStream中包含的内容是(k, (V, W))。这个方法也可以传入一个并行计算的参数，该参数与reduceByKey中是相同的。 
　　下面代码中，首先将words转化成(word, (word + “_one”))和(word, (word + “_two”))的形式，再以word为key，将后面的value合并到一起。

      

　　运行结果如下： 
　　

10、cogroup(otherStream, [numTasks])

　　由一个DStream对象调用该方法，元素内容为(k, V)，传入另一个DStream对象，元素内容为(k, W)，返回的DStream中包含的内容是(k, (Seq[V], Seq[W]))。这个方法也可以传入一个并行计算的参数，该参数与reduceByKey中是相同的。 
　下面代码首先将words转化成(word, (word + “_one”))和(word, (word + “_two”))的形式，再以word为key，将后面的value合并到一起。 
　结果如下： 
　

11、transform(func)

　　在Spark-Streaming官方文档中提到，DStream的transform操作极大的丰富了DStream上能够进行的操作内容。使用transform操作后，除了可以使用DStream提供的一些转换方法之外，还能够直接调用任意的调用RDD上的操作函数。 
　　比如下面的代码中，使用transform完成将一行语句分割成单词的功能。

     

　　运行结果如下： 
　　

12、updateStateByKey(func)

二、Window Operations

　　我觉得用一个成语，管中窥豹，基本上就能够很形象的解释什么是窗口函数了。DStream数据流就是那只豹子，窗口就是那个管，以一个固定的速率平移，就能够每次看到豹的一部分。 
　　窗口函数，就是在DStream流上，以一个可配置的长度为窗口，以一个可配置的速率向前移动窗口，根据窗口函数的具体内容，分别对当前窗口中的这一波数据采取某个对应的操作算子。需要注意的是窗口长度，和窗口移动速率需要是batch time的整数倍。接下来演示Spark Streaming中提供的主要窗口函数。

1、window(windowLength, slideInterval)

　　该操作由一个DStream对象调用，传入一个窗口长度参数，一个窗口移动速率参数，然后将当前时刻当前长度窗口中的元素取出形成一个新的DStream。 
　　下面的代码以长度为3，移动速率为1截取源DStream中的元素形成新的DStream。

       

　　运行结果如下： 
　　 
　　基本上每秒输入一个字母，然后取出当前时刻3秒这个长度中的所有元素，打印出来。从上面的截图中可以看到，下一秒时已经看不到a了，再下一秒，已经看不到b和c了。表示a, b, c已经不在当前的窗口中。

2、 countByWindow(windowLength,slideInterval)

　　返回指定长度窗口中的元素个数。 
　　代码如下，统计当前3秒长度的时间窗口的DStream中元素的个数：

    

　　结果如下： 
　　

3、 reduceByWindow(func, windowLength,slideInterval)

　　类似于上面的reduce操作，只不过这里不再是对整个调用DStream进行reduce操作，而是在调用DStream上首先取窗口函数的元素形成新的DStream，然后在窗口元素形成的DStream上进行reduce。 
　　代码如下：

      

　　结果如下： 
　　

4、 reduceByKeyAndWindow(func,windowLength, slideInterval, [numTasks])

　　调用该操作的DStream中的元素格式为(k, v)，整个操作类似于前面的reduceByKey，只不过对应的数据源不同，reduceByKeyAndWindow的数据源是基于该DStream的窗口长度中的所有数据。该操作也有一个可选的并发数参数。 
　　下面代码中，将当前长度为3的时间窗口中的所有数据元素根据key进行合并，统计当前3秒中内不同单词出现的次数。

        

　　结果如下： 
　　

5、 reduceByKeyAndWindow(func, invFunc,windowLength, slideInterval, [numTasks])

　　这个窗口操作和上一个的区别是多传入一个函数invFunc。前面的func作用和上一个reduceByKeyAndWindow相同，后面的invFunc是用于处理流出rdd的。 
　　在下面这个例子中，如果把3秒的时间窗口当成一个池塘，池塘每一秒都会有鱼游进或者游出，那么第一个函数表示每由进来一条鱼，就在该类鱼的数量上累加。而第二个函数是，每由出去一条鱼，就将该鱼的总数减去一。

       

　　下面是演示结果，最终的结果是该3秒长度的窗口中历史上出现过的所有不同单词个数都为0。 
　　 
　　一段时间不输入任何信息，看一下最终结果 
　　

6、 countByValueAndWindow(windowLength,slideInterval, [numTasks])

　　类似于前面的countByValue操作，调用该操作的DStream数据格式为(K, v)，返回的DStream格式为(K, Long)。统计当前时间窗口中元素值相同的元素的个数。 
　　代码如下

        

　　结果如下 
　　

三、Join Operations

　　Join主要可分为两种，

1、DStream对象之间的Join

　　这种join一般应用于窗口函数形成的DStream对象之间，具体可以参考第一部分中的join操作，除了简单的join之外，还有leftOuterJoin, rightOuterJoin和fullOuterJoin。

2、DStream和dataset之间的join

　　这一种join，可以参考前面transform操作中的示例。

四、Output Operations

　　在Spark Streaming中，DStream的输出操作才是DStream上所有transformations的真正触发计算点，这个类似于RDD中的action操作。经过输出操作DStream中的数据才能与外部进行交互，比如将数据写入文件系统、数据库，或其他应用中。　　 
　　

1、print()

　　print操作会将DStream每一个batch中的前10个元素在driver节点打印出来。 
　　看下面这个示例，一行输入超过10个单词，然后将这行语句分割成单个单词的DStream。

     

　　看看print后的效果。 
　　 
　　

2、saveAsTextFiles(prefix, [suffix])

　　这个操作可以将DStream中的内容保存为text文件，每个batch的数据单独保存为一个文夹，文件夹名前缀参数必须传入，文件夹名后缀参数可选，最终文件夹名称的完整形式为prefix-TIME_IN_MS[.suffix] 
　　比如下面这一行代码

      

　　看一下执行结果，在当前项目路径下，每秒钟生成一个文件夹，打开的两个窗口中的内容分别是nc窗口中的输入。 
　　 
　　另外，如果前缀中包含文件完整路径，则该text文件夹会建在指定路径下，如下图所示 
　　 
　　

3、saveAsObjectFiles(prefix, [suffix])

　　这个操作和前面一个类似，只不过这里将DStream中的内容保存为SequenceFile文件类型，这个文件中保存的数据都是经过序列化后的Java对象。 
　　实验略过，可参考前面一个操作。 
　　

4、saveAsHadoopFiles(prefix, [suffix])

　　这个操作和前两个类似，将DStream每一batch中的内容保存到HDFS上，同样可以指定文件的前缀和后缀。 
　　

5、foreachRDD(func)