编程那点事编程那点事

专注编程入门及提高
探究程序员职业规划之道!

updateStateByKey以及基于缓存的实时wordcount程序

  • updateStateByKey操作,可以让我们为每个key维护一份state,并持续不断的更新该state。

    1. 首先,要定义一个state,可以是任意的数据类型;

    2. 其次,要定义state更新函数——指定一个函数如何使用之前的state和新值来更新state。

  • 对于每个batch,Spark都会为每个之前已经存在的key去应用一次state更新函数,无论这个key在batch中是否有新的数据。如果state更新函数返回none,那么key对应的state就会被删除。

当然,对于每个新出现的key,也会执行state更新函数。

注意,updateStateByKey操作,要求必须开启Checkpoint机制。

案例:基于缓存的实时wordcount程序(在实际业务场景中,这个是非常有用的)

Java版本实例代码

package cn.spark.study.streaming;
import java.util.Arrays;
import java.util.List;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.PairFunction;
import org.apache.spark.streaming.Durations;
import org.apache.spark.streaming.api.java.JavaDStream;
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 com.google.common.base.Optional;
import scala.Tuple2;
public class UpdateStateByKeyWordCount {
public static void main(String[] args) {
SparkConf conf = new SparkConf()
.setMaster("local[2]")
.setAppName("UpdateStateByKeyWordCount");  
@SuppressWarnings("resource")
JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(5));
// 第一点,如果要使用updateStateByKey算子,就必须设置一个checkpoint目录,开启checkpoint机制
// 这样的话才能把每个key对应的state除了在内存中有,那么是不是也要checkpoint一份
// 因为你要长期保存一份key的state的话,那么spark streaming是要求必须用checkpoint的,以便于在
// 内存数据丢失的时候,可以从checkpoint中恢复数据
// 开启checkpoint机制,很简单,只要调用jssc的checkpoint()方法,设置一个hdfs目录即可
jssc.checkpoint("hdfs://spark1:9000/wordcount_checkpoint");
// 然后先实现基础的wordcount逻辑
JavaReceiverInputDStream<String> lines = jssc.socketTextStream("localhost", 9999);
JavaDStream<String> words = lines.flatMap(new FlatMapFunction<String, String>() {
private static final long serialVersionUID = 1L;
@Override
public Iterable<String> call(String line) throws Exception {
// TODO Auto-generated method stub
return Arrays.asList(line.split(" "));
}
});
JavaPairDStream<String, Integer> pairs = words.mapToPair(
new PairFunction<String, String, Integer>() {
private static final long serialVersionUID = 1L;
@Override
public Tuple2<String, Integer> call(String word) throws Exception {
// TODO Auto-generated method stub
return new Tuple2<String, Integer>(word, 1);
}
});
// 到了这里,就不一样了,之前的话,是不是直接就是pairs.reduceByKey
// 然后,就可以得到每个时间段的batch对应的RDD,计算出来的单词计数
// 然后,可以打印出那个时间段的单词计数
// 但是,有个问题,你如果要统计每个单词的全局的计数呢?
// 就是说,统计出来,从程序启动开始,到现在为止,一个单词出现的次数,那么就之前的方式就不好实现
// 就必须基于redis这种缓存,或者是mysql这种db,来实现累加
// 但是,我们的updateStateByKey,就可以实现直接通过Spark维护一份每个单词的全局的统计次数
JavaPairDStream<String, Integer> wordCounts = pairs.updateStateByKey(
// 这里的Optional,相当于Scala中的样例类,就是Option,可以这么理解
// 它代表了一个值的存在状态,可能存在,也可能不存在
new Function2<List<Integer>, Optional<Integer>, Optional<Integer>>() {
private static final long serialVersionUID = 1L;
// 这里两个参数
// 实际上,对于每个单词,每次batch计算的时候,都会调用这个函数
// 第一个参数,values,相当于是这个batch中,这个key的新的值,可能有多个吧
// 比如说一个hello,可能有2个1,(hello, 1) (hello, 1),那么传入的是(1,1)
// 第二个参数,就是指的是这个key之前的状态,state,其中泛型的类型是你自己指定的
@Override
public Optional<Integer> call(List<Integer> values, Optional<Integer> state) throws Exception {
// 首先定义一个全局的单词计数
Integer newValue = 0;
// 其次,判断,state是否存在,如果不存在,说明是一个key第一次出现
// 如果存在,说明这个key之前已经统计过全局的次数了
if(state.isPresent()) {
newValue = state.get();
}
// 接着,将本次新出现的值,都累加到newValue上去,就是一个key目前的全局的统计
// 次数
for(Integer value : values) {
newValue += value;
}
return Optional.of(newValue);  
}
});
// 到这里为止,相当于是,每个batch过来是,计算到pairs DStream,就会执行全局的updateStateByKey
// 算子,updateStateByKey返回的JavaPairDStream,其实就代表了每个key的全局的计数
// 打印出来
wordCounts.print();
jssc.start();
jssc.awaitTermination();
jssc.stop();
}
}

Scala版本实例代码

package cn.spark.study.streaming
import org.apache.spark.SparkConf
import org.apache.spark.streaming.StreamingContext
import org.apache.spark.streaming.Seconds
object UpdateStateByKeyWordCount {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf()
        .setMaster("local[2]")  
        .setAppName("UpdateStateByKeyWordCount")
    val ssc = new StreamingContext(conf, Seconds(5))
    ssc.checkpoint("hdfs://spark1:9000/wordcount_checkpoint")  
    
    val lines = ssc.socketTextStream("spark1", 9999)
    val words = lines.flatMap { _.split(" ") }   
    val pairs = words.map { word => (word, 1) } 
    val wordCounts = pairs.updateStateByKey((values: Seq[Int], state: Option[Int]) => {
      var newValue = state.getOrElse(0)    
      for(value <- values) {
        newValue += value
      }
      Option(newValue)  
    })
    
    wordCounts.print()  
    
    ssc.start()
    ssc.awaitTermination()
  }
    
}


未经允许不得转载: 技术文章 » 大数据 » updateStateByKey以及基于缓存的实时wordcount程序