SparkStreaming

2014年的大数据的三剑客

• Hadoop 必须会使用Java

• Hive 大数据中使用最广泛的一个技术 Sql => MapReduce

• Storm 人性是贪婪的，Hadoop和Hive都是计算的离线的、历史的数据

后来的大数据的三剑客

• Spark 使用SparkCore内存计算提高了MapReduce的计算效率 Scala、Python、Java

• SparkSQL Sql => Spark Core任务

• SparkStreaming/Flink

实时的应用场景：2020淘宝双11成交额4892亿

实时计算就是来一个订单计算一个订单，每时每刻每秒都在统计

离线计算就是统计某个已经发生的时间段内的数据

• 例：淘宝在年底的时候计算1.1-12.31号的所有订单

坐电梯的时候需要凑够一波人坐电梯上去，把每一个人看作一个数据集攒了一定的人数之后一起坐电梯上去，我们会等待一定的时间统一处理数据，这个时候我们处理的就是历史数据了

特点

• 处理的是离线的数据

• 每次处理的数据量比较大

• 处理的时间比较长，比较慢

扶梯

• 1、处理的是实时的数据

• 2、每次处理的数据量不大

• 3、处理的时间比较短、比较快

数据流

• 实时任务处理的就是数据流，数据流其实只是一个形象的说法，指的是任务处理的数据像流水一样源源不断的过来，就像水龙头里面的水一样

SparkCore

核心抽象：RDD Resiliennt Distributed Datasets

程序入口：val sc = new SparkContext(conf)

算子的操作：Transformation/Action

SparkSQL

核心抽象：DataFrame/DataSet

程序入口：

Spark 1.x：new SQLContext(conf)、new HiveContext(conf)

Spark 2.x/3.x：val ss = new SparkSession(conf)

算子的操作/SQL

SparkStreaming

核心抽象：DStream

程序入口：

val conf = new SparkConf().setAppName(“SS”).setMaster(“local[2]”)

val sc = new SparkContext(conf)

val ssc = new StreamingContext(sc,Seconds(1))

算子操作（RDD的算子操作在SparkStreaming上都可以用）

1、SparkStreaming的任务是基于SparkCore，然后我们任务启动的时候，或者是初始化的时候都会有一个Driver的服务

2、Driver端会发送Receivers到Worker里面，Receiver其实说白了就是一个接收器，接收数据，这个Receiver具体就是表现为一个Task任务，默认情况下只有一个Receiver可以通过配置多个

3、Receiver会接收数据，并且会把数据生成block块（1、生成文件块的依据是啥？）接着就把这些文件块（block）存入到Executor的内存里面，为了保证数据安全，默认这些数据是有副本的，在其它的Executor上存储副本

4、receiver会把block的信息（元数据的信息）发送给Driver端

5、Driver端会根据一定的时间间隔（2、封装RDD时间间隔是多少？）把这些block封装成为一个RDD，然后进行计算

Receiver把数据合并成block块的依据？

每200ms生成一个Block 1个block对应1个partition对应1个task任务

Driver将Block封装成RDD的时间间隔是？

根据程序入口中的时间参数，如ssc = new StreamingContext(sc,Seconds(1))就是每隔1s中将block块合封装成一个RDD

SparkStreaming不是真正意义上的实时计算，不是真的来一条数据就处理一条数据；微批处理，只不过间隔较短，每次数据里的数据量不大，然后又比较快，所以我们就把它认为实时处理了！！！准实时处理

时间间隔：

• Batch interval

  • 指的就是我们的这个实时任务多久运行一次，这个是我们获取程序入口的时候自己指定的

• block interval

  • 默认是200ms

一个一个的RDD的流就被Spark抽象为DStream

RDD流 = DStream

引入类库

1
2
3
4
5
6
7

import org.apache.spark.streaming.dstream.{DStream, ReceiverInputDStream}

import org.apache.spark.streaming.{Seconds, StreamingContext}

import org.apache.spark.{SparkConf, SparkContext}

import org.apache.log4j.{Level, Logger}

步骤1：初始化程序入口

步骤2：通过数据源获取数据（数据输入）

步骤3：进行算子的操作，实现业务（数据处理）

步骤4：数据的输出

步骤5：启动任务

步骤6：等待任务结束