068 mapWithState函数的讲解

1.问题

　　主要是updateStateByKey的问题

　　有的值不需要变化的时候，还会再打印出来。

　　每个批次的数据都会出现，如果向redis保存更新的时候，会把不需要变化的值也更新，这个不是我们需要的，我们只需要更新有变化的那部分值。

2.mapWithState

　　有一个注解，说明是实验性质的。

3.程序

 1 package com.stream.it
 2 import org.apache.spark.rdd.RDD
 3 import org.apache.spark.storage.StorageLevel
 4 import org.apache.spark.streaming.dstream.DStream
 5 import org.apache.spark.streaming.kafka.KafkaUtils
 6 import org.apache.spark.streaming.{Seconds, State, StateSpec, StreamingContext}
 7 import org.apache.spark.{HashPartitioner, SparkConf, SparkContext}
 8 
 9 object MapWithState {
10   def main(args: Array[String]): Unit = {
11     val conf = new SparkConf()
12       .setAppName("StreamingMapWithState")
13       .setMaster("local[*]")
14     val sc = SparkContext.getOrCreate(conf)
15     val ssc = new StreamingContext(sc, Seconds(1))
16     // 当调用updateStateByKey函数API的时候，必须给定checkpoint dir
17     // 路径对应的文件夹不能存在
18     ssc.checkpoint("hdfs://linux-hadoop01.ibeifeng.com:8020/beifeng/spark/streaming/chkdir45254")
19 
20     /**
21       *
22       * @param key    DStream的key数据类型
23       * @param values DStream的value数据类型
24       * @param state  是StreamingContext中之前该key的状态值
25       * @return
26       */
27     def mappingFunction(key: String, values: Option[Int], state: State[Long]): (String, Long) = {
28       // 获取之前状态的值
29       val preStateValue = state.getOption().getOrElse(0L)
30       // 计算出当前值
31       val currentStateValue = preStateValue + values.getOrElse(0)
32 
33       // 更新状态值
34       state.update(currentStateValue)
35 
36       // 返回结果
37       (key, currentStateValue)
38     }
39     val spec = StateSpec.function[String, Int, Long, (String, Long)](mappingFunction _)
40 
41     val kafkaParams = Map(
42       "group.id" -> "streaming-kafka-001231",
43       "zookeeper.connect" -> "linux-hadoop01.ibeifeng.com:2181/kafka",
44       "auto.offset.reset" -> "smallest"
45     )
46     val topics = Map("beifeng" -> 4) // topics中value是读取数据的线程数量，所以必须大于等于1
47     val dstream = KafkaUtils.createStream[String, String, kafka.serializer.StringDecoder, kafka.serializer.StringDecoder](
48       ssc, // 给定SparkStreaming上下文
49       kafkaParams, // 给定连接kafka的参数信息 ===> 通过Kafka HighLevelConsumerAPI连接
50       topics, // 给定读取对应topic的名称以及读取数据的线程数量
51       StorageLevel.MEMORY_AND_DISK_2 // 指定数据接收器接收到kafka的数据后保存的存储级别
52     ).map(_._2)
53 
54     val resultWordCount: DStream[(String, Long)] = dstream
55       .filter(line => line.nonEmpty)
56       .flatMap(line => line.split(" ").map((_, 1)))
57       .reduceByKey(_ + _)
58       .mapWithState(spec)
59 
60     resultWordCount.print() // 这个也是打印数据
61 
62     // 启动开始处理
63     ssc.start()
64     ssc.awaitTermination() // 等等结束，监控一个线程的中断操作
65   }
66 }

4.效果

　　在控制台上再写入一个hadoop：

　　　　说明了，在新写入的时候，才会出现，但是以前的数据还在。

5.说明

　　因为存在checkpoint，在重新后，以前的数据还在，新加入数据后，会在原有的基础上进行更新，上面的第二幅图就是这样产生的。

068 mapWithState函数的讲解

猜你喜欢