070 DStream中的transform和foreachRDD函数

1.说明
　　DStream的API不够满足使用的时候，可以使用这两个函数，将dstream转换为rdd，然后进行操作

2.transform

　　transform：将DStream的操作转换为RDD的操作，调用该api最终只需要返回一个新的RDD即可

3.程序

 1 package com.window.it
 2 import org.apache.spark.{SparkConf, SparkContext}
 3 import org.apache.spark.storage.StorageLevel
 4 import org.apache.spark.streaming.{Seconds, State, StateSpec, StreamingContext}
 5 import org.apache.spark.streaming.dstream.DStream
 6 import org.apache.spark.streaming.kafka.KafkaUtils
 7 object TransformDemo {
 8   def main(args: Array[String]): Unit = {
 9     val conf = new SparkConf()
10       .setAppName("StreamingWindowOfKafka")
11       .setMaster("local[*]")
12     val sc = SparkContext.getOrCreate(conf)
13     val ssc = new StreamingContext(sc, Seconds(5))
14     // 当调用updateStateByKey函数API的时候，必须给定checkpoint dir
15     // 路径对应的文件夹不能存在
16     ssc.checkpoint("hdfs://linux-hadoop01.ibeifeng.com:8020/beifeng/spark/streaming/4525712")
17 
18     val kafkaParams = Map(
19       "group.id" -> "streaming-kafka-78912151",
20       "zookeeper.connect" -> "linux-hadoop01.ibeifeng.com:2181/kafka",
21       "auto.offset.reset" -> "smallest"
22     )
23     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
24     val dstream = KafkaUtils.createStream[String, String, kafka.serializer.StringDecoder, kafka.serializer.StringDecoder](
25       ssc, // 给定SparkStreaming上下文
26       kafkaParams, // 给定连接kafka的参数信息 ===> 通过Kafka HighLevelConsumerAPI连接
27       topics, // 给定读取对应topic的名称以及读取数据的线程数量
28       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
29     ).map(_._2)
30 
31     val resultWordCount = dstream
32       .filter(line => line.nonEmpty)
33       .flatMap(line => line.split(" ").map((_, 1)))
34       .reduceByKeyAndWindow(
35         (a: Int, b: Int) => a + b,
36         Seconds(15), // 窗口大小
37         Seconds(10) // 滑动大小
38       )
39     resultWordCount.print() // 这个也是打印数据
40 
41     /**
42       * transform：将DStream的操作转换为RDD的操作，调用该api最终只需要返回一个新的RDD即可
43       */
44     dstream.transform(rdd => {
45       // 对rdd进行预处理
46       val processedRDD = rdd
47         .filter(line => line.nonEmpty)
48         .flatMap(line => line.split(" ").map((_, 1)))
49         .reduceByKey(_ + _)
50       // 数据抽样，获取两个节点
51       val seeder = processedRDD.takeSample(true, 2)
52       // 对rdd进行处理操作, 将抽样数据和rdd中的数据进行比较，如果rdd中的word的出现次数大于等于抽样数据中的任何一个word的次数，次数*3；否则次数*2
53       val brocast = rdd.sparkContext.broadcast(seeder)
54       val resultRDD = processedRDD.mapPartitions(iter => {
55         val seederValue = brocast.value
56         iter.map {
57           case (word, count) => {
58             val vc = seederValue
59               .filter(tuple => {
60                 count >= tuple._2
61               }).size
62             if (vc == 0) {
63               (word, 2, count * 2)
64             } else {
65               (word, 3, count * 3)
66             }
67           }
68         }
69       })
70       resultRDD
71     }).print()
72     
73     // 启动开始处理
74     ssc.start()
75     ssc.awaitTermination() // 等等结束，监控一个线程的中断操作
76   }
77 }

4.foreachRDD

　　作用和transform类型，将DStream的操作转换为RDD进行操作，区别：该api没有返回值

5.程序

 1 package com.window.it
 2 
 3 import org.apache.spark.storage.StorageLevel
 4 import org.apache.spark.streaming.kafka.KafkaUtils
 5 import org.apache.spark.streaming.{Seconds, StreamingContext}
 6 import org.apache.spark.{SparkConf, SparkContext}
 7 
 8 object TransformDemo {
 9   def main(args: Array[String]): Unit = {
10     val conf = new SparkConf()
11       .setAppName("StreamingWindowOfKafka")
12       .setMaster("local[*]")
13     val sc = SparkContext.getOrCreate(conf)
14     val ssc = new StreamingContext(sc, Seconds(5))
15     // 当调用updateStateByKey函数API的时候，必须给定checkpoint dir
16     // 路径对应的文件夹不能存在
17     ssc.checkpoint("hdfs://linux-hadoop01.ibeifeng.com:8020/beifeng/spark/streaming/4525712")
18 
19     val kafkaParams = Map(
20       "group.id" -> "streaming-kafka-78912151",
21       "zookeeper.connect" -> "linux-hadoop01.ibeifeng.com:2181/kafka",
22       "auto.offset.reset" -> "smallest"
23     )
24     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
25     val dstream = KafkaUtils.createStream[String, String, kafka.serializer.StringDecoder, kafka.serializer.StringDecoder](
26       ssc, // 给定SparkStreaming上下文
27       kafkaParams, // 给定连接kafka的参数信息 ===> 通过Kafka HighLevelConsumerAPI连接
28       topics, // 给定读取对应topic的名称以及读取数据的线程数量
29       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
30     ).map(_._2)
31 
32     val resultWordCount = dstream
33       .filter(line => line.nonEmpty)
34       .flatMap(line => line.split(" ").map((_, 1)))
35       .reduceByKeyAndWindow(
36         (a: Int, b: Int) => a + b,
37         Seconds(15), // 窗口大小
38         Seconds(10) // 滑动大小
39       )
40     resultWordCount.print() // 这个也是打印数据
41 
42     dstream.foreachRDD(rdd => {
43       // TODO: 这里就可以做数据输出的代码编写
44       // TODO: 这里不要为空
45       rdd.foreachPartition(iter => {
46         // TODO: 这里在实际环境中不要为空，为空可能会出现一些问题：内存泄露的问题
47         println(iter.take(1))
48       })
49     })
50     
51     // 启动开始处理
52     ssc.start()
53     ssc.awaitTermination() // 等等结束，监控一个线程的中断操作
54   }
55 }

6.注意点

　　一个批次，DStream内部就只对应一个RDD，transform和foreachRDD API使用的过程中，不要考虑多个RDD的问题