原文地址：
http://lib.csdn.net/article/scala/26722
一、Java方式开发
1、开发前准备
假定您以搭建好了Spark集群。
2、开发环境采用eclipse maven工程，需要添加Spark Streaming依赖。
<dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-streaming_2.10</artifactId> <version>1.6.0</version> </dependency>- 1
- 2
- 3
- 4
- 5
3、Spark streaming 基于Spark Core进行计算，需要注意事项：
1.local模式的话,local后必须为大于等于2的数字【即至少2条线程】。因为receiver 占了一个。
因为,SparkStreaming 在运行的时候,至少需要一条线程不断循环接收数据，而且至少有一条线程处理接收的数据。
如果只有一条线程的话,接受的数据不能被处理。
温馨提示：
对于集群而言，每隔exccutor一般肯定不只一个Thread，那对于处理Spark Streaming应用程序而言，每个executor一般分配多少core比较合适？根据我们过去的经验，5个左右的core是最佳的（段子:分配为奇数个core的表现最佳,例如：分配3个、5个、7个core等）
接下来，让我们开始动手写写Java代码吧！
第一步：
SparkConf conf = new SparkConf().setMaster("spark：//Master:7077").setAppName("wordCountOnline");- 1
第二步：
我们采用基于配置文件的方式创建SparkStreamingContext对象
/** * 第二步：创建SparkStreamingContext,这个是SparkStreaming应用程序所有功能的起始点和程序调度的核心 * SparkStreamingContext的构建可以基于SparkConf参数，也可基于持久化的SparkStreamingContext的内容来回复过来 * （典型的场景是Driver崩溃后重新启动，由于Spark Streaming具有连续7*24小时不间断运行的特征， * 所有需要再Drver重新启动后继续上的状态，此时的状态恢复需要基于曾经的Checkpoint） * * * 2.在一个SparkStreaming应用程序中可以有多个SparkStreamingContext对象，使用下一个SparkStreaming程序之前 * 需要把前面正在运行的SparkStreamingContext对象关闭掉，由此，我们获得一个启发： * * SparkStreaming框架也 就是Spark Core上的一个应用程序。 * 只不过需要Spark工程师写业务逻辑代码。 * 所以要掌握好Spark，学好SparkStreaming 就行了。 * * java虚拟机在os角度上看就是一个简单的c。c++应用程序。 * * 这里可以用工厂方法创建ssc * * */ JavaStreamingContext jsc = new JavaStreamingContext(conf,Durations.seconds(5));- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
第三步,创建Spark Streaming输入数据来源:
我们将数据来源配置为本地端口9999（注意端口要求没有被占用）:
/** * 第三步：创建Spark Streaming 输入数据来源：input Stream * 1.数据输入来源可以基于File、HDFS、Flume、Kafka、Socket * * 2.在这里我们指定数据来源于网络Socket端口, * Spark Streaming连接上该端口并在运行的时候一直监听该端口的数据（当然该端口服务首先必须存在，并且在后续会根据业务需要不断的有数据产生）。 * * 有数据和没有数据 在处理逻辑上没有影响（在程序看来都是数据） * * 3.如果经常在每间隔5秒钟 没有数据的话,不断的启动空的job其实是会造成调度资源的浪费。因为 并没有数据需要发生计算。 * 所以企业级生产环境的代码在具体提交Job前会判断是否有数据，如果没有的话，就不再提交Job； * * */ JavaReceiverInputDStream<String> lines = jsc.socketTextStream("Master", 9999);- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
第四步：我们就像对RDD编程一样，基于DStream进行编程，原因是DStream是RDD产生的模板，在Spark Streaming发生计算前，其实质是把每个Batch的DStream的操作翻译成为了RDD操作。DStream对RDD进行了一次抽象。如同DataFrame对RDD进行一次抽象。JavaRDD —-> JavaDStream
1、flatMap操作：
JavaDStream<String> words = lines.flatMap(new FlatMapFunction<String, String>() { @Override public Iterable<String> call(String line) throws Exception { // TODO Auto-generated method stub return Arrays.asList(line.split(" ")); } });- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
2、 mapToPair操作：
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); } });- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
3、reduceByKey操作：
JavaPairDStream<String, Integer> wordsCount = pairs.reduceByKey(new Function2<Integer, Integer, Integer>() { @Override public Integer call(Integer v1, Integer v2) throws Exception { // TODO Auto-generated method stub return v1 + v2; } });- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
4、print等操作：
/** * 此处的print并不会直接触发Job的执行，因为现在的一切都是在Spark Streaming框架的控制之下的。 * 具体是否真正触发Job的运行是基于设置的Duration时间间隔的触发的。 * * * Spark应用程序要想执行具体的Job对DStream就必须有output Stream操作。 * ouput Stream 有很多类型的函数触发,类print、savaAsTextFile、saveAsHadoopFiles等，最为重要的是foreachRDD，因为Spark Streamimg处理的结果一般都会 * 放在Redis、DB、DashBoard等上面，foreachRDD主要 * 就是用来 完成这些功能的，而且可以随意的自定义具体数据放在哪里。 * */ wordsCount.print(); jsc.start(); jsc.awaitTermination(); jsc.close();- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
温馨提示：
除了print()方法将处理后的数据输出之外，还有其他的方法也非常重要，在开发中需要重点掌握，比如SaveAsTextFile,SaveAsHadoopFile等，最为重要的是foreachRDD方法，这个方法可以将数据写入Redis,DB,DashBoard等，甚至可以随意的定义数据放在哪里，功能非常强大。
二、Scala方式开发
import org.apache.spark.SparkConf import org.apache.spark.streaming.StreamingContext import org.apache.spark.streaming.Seconds import org.apache.spark.storage.StorageLevel /** * @author lxh */ object WordCountOnline { def main(args: Array[String]): Unit = { /** * 创建SparkConf */ val conf = new SparkConf().setMaster("spark：//Master:7077").setAppName("wordcountonline") val ssc = new StreamingContext(conf,Seconds(1)) val lines = ssc.socketTextStream("Master", 9999, StorageLevel.MEMORY_AND_DISK) /** * 按空格分割 */ val words = lines.flatMap { line => line.split(" ") } /** * 把单个的word变成tuple */ val wordCount = words.map { word => (word,1) } /** * (key1,1) (key1,1) * key相同的累加。 */ wordCount.reduceByKey(_+_) wordCount.print() ssc.start() /** * 等待程序结束 */ ssc.awaitTermination() ssc.stop(true) } }