Spark Streaming入门

本文将帮助您使用基于HBase的Apache Spark Streaming。Spark Streaming是Spark API核心的一个扩展，支持连续的数据流处理。

什么是Spark Streaming？

首先，什么是流（streaming）？数据流是连续到达的无穷序列。流处理将不断流动的输入数据分成独立的单元进行处理。流处理是对流数据的低延迟处理和分析。Spark Streaming是Spark API核心的扩展，可实现实时数据的快速扩展，高吞吐量，高容错处理。Spark Streaming适用于大量数据的快速处理。实时处理用例包括：

• 网站监控，网络监控
• 欺诈识别
• 网页点击
• 广告
• 物联网传感器

Spark Streaming支持如HDFS目录，TCP套接字，Kafka，Flume，Twitter等数据源。数据流可以用Spark 的核心API，DataFrames SQL，或机器学习的API进行处理，并且可以被保存到HDFS，databases或Hadoop OutputFormat提供的任何文件系统中去。

Spark Streaming输入输出

Spark Straming如何工作

Spark Streaming将数据流每X秒分作一个集合，称为Dstreams，它在内部是一系列RDD。您的Spark应用程序使用Spark API处理RDD，并且批量返回RDD操作的结果。

示例应用程序的体系结构

Spark Streaming示例代码执行以下操作：

• 读取流式数据。
• 处理流数据。
• 将处理后的数据写入HBase表。

其他Spark示例代码执行以下操作：

• 读取流媒体代码编写的HBase Table数据
• 计算每日汇总的统计信息
• 将汇总统计信息写入HBase表

示例数据集

油泵传感器数据文件放入目录中（文件是以逗号为分隔符的CSV）。Spark Streaming将监视目录并处理在该目录中创建的所有文件。（如前所述，Spark Streaming支持不同的流式数据源;为简单起见，此示例将使用CSV。）

以下是带有一些示例数据的csv文件示例：

我们使用Scala案例类来定义与传感器数据csv文件相对应的传感器模式，并使用parseSensor函数将逗号分隔值解析到传感器案例类中。

HBase表格模式

流数据的HBase表格模式如下：

• 泵名称日期和时间戳的复合行键
• 可以设置报警列簇，来监控数据。请注意，数据和警报列簇可能会设为在一段时间后失效。

日常统计汇总的模式如下所示：

• 泵名称和日期的复合行键
• 列簇统计
• 最小值，最大值和平均值。

下面的函数将Sensor对象转换为HBase Put对象，该对象用于将数据行插入到HBase中。

写HBase表的配置

您可以使用Spark 的TableOutputFormat类写入HBase表，这与您从MapReduce写入HBase表的方式类似。下面我们使用TableOutputFormat类设置HBase的配置。

Spark Streaming示例代码

这些是Spark Streaming代码的基本步骤：

1. 初始化Spark StreamingContext对象。
2. 将转换和输出操作应用于DStream。
3. 开始接收数据并使用streamingContext.start（）处理它。
4. 等待streamingContext.awaitTermination（）的返回从而停止处理。

我们将通过示例应用程序代码完成这些步骤。

初始化StreamingContext

首先，我们创建一个StreamingContext，这是流式传输的主要入口点（2秒间隔时间

）。

val sparkConf =  new  SparkConf ( ) . setAppName ( "HBaseStream" )
// 创建 StreamingContext, 流式函数的主要入口
val ssc =  new  StreamingContext ( sparkConf ,  Seconds ( 2 ) )

接下来，我们使用StreamingContext textFileStream（directory）方法创建一个输入流，该输入流监视Hadoop兼容的文件系统以获取新文件，并处理在该目录中创建的所有文件。

// 创建代表数据 DStream对象
val linesDStream = ssc . textFileStream ( "/user/user01/stream" )

linesDStream代表数据流，每个记录都是一行文本。内部DStream是一系列RDD，每个批处理间隔一个RDD。

将转换和输出操作应用于DStream

接下来，我们将数据行解析为Sensor对象，并使用DStream行上的map操作。

// 把lineDSream的每一行解析为Sensor对象
val sensorDStream = linesDStream . map ( Sensor . parseSensor )

map操作在linesDStream中的RDD上使用Sensor.parseSensor函数，从而生成Sensor对象（RDD）。

接下来，我们使用DStream foreachRDD方法将处理应用于此DStream中的每个RDD。我们过滤低psi传感器对象以创建警报，然后我们通过将传感器和警报数据转换为Put对象并使用PairRDDFunctions saveAsHadoopDataset(https://spark.apache.org/docs/1.0.0/api/java/org/apache/spark/rdd/PairRDDFunctions.html#saveAsHadoopDataset(org.apache.hadoop.mapred.JobConf%29)方法将传感器和警报数据写入HBase ，该方法使用Hadoop将RDD输出到任何支持Hadoop的存储系统，该存储系统的配置对象（请参阅上面的HBase的Hadoop配置）。

// 对每一个RDD. 
sensorRDD . foreachRDD { rdd =>
       // 低psi的传感器过滤器 
     val alertRDD = rdd . filter ( sensor => sensor . psi <  5.0 )
      // 把传感器数据转为对象并写入HD
      rdd . map ( Sensor . convertToPut ) . saveAsHadoopDataset ( jobConfig )
     // 把警报转为对象并写入HD
     rdd . map ( Sensor . convertToPutAlert ) . saveAsHadoopDataset ( jobConfig )
}

sensorRDD对象被转换并写入HBase。

开始接收数据

要开始接收数据，我们必须在StreamingContext上显式调用start（），然后调用awaitTermination来等待计算完成。

     // 开始计算
    ssc . start ( )
    // 等待计算完成
    ssc . awaitTermination ( )

Spark R写入HBase

现在我们要读取HBase传感器表数据，计算每日摘要统计信息并将这些统计信息写入。

以下代码读取HBase表，传感器表，psi列数据，使用StatCounter计算此数据的统计数据，然后将统计数据写入传感器统计数据列。

 // HBase的读取设置 
    val conf = HBaseConfiguration . create ( )
    conf . set ( TableInputFormat . INPUT_TABLE , HBaseSensorStream . tableName )
    // 扫描数据
    conf . set ( TableInputFormat . SCAN_COLUMNS ,  "data:psi" ) 
// 加载RDD (row key, row Result)元组
    val hBaseRDD = sc . newAPIHadoopRDD ( conf , classOf [ TableInputFormat ] ,
      classOf [ org . apache . hadoop . hbase . io . ImmutableBytesWritable ] ,
      classOf [ org . apache . hadoop . hbase . client . Result ] )
    // 把(row key, row Result) 元组为RDD
    val resultRDD = hBaseRDD.map(tuple => tuple._2)
    // 转为 RDD (RowKey, ColumnValue), 移除Time
    val keyValueRDD = resultRDD.
              map(result => (Bytes.toString(result.getRow()).
              split(" ")(0), Bytes.toDouble(result.value)))
    // 分组，得到统计数据
    val keyStatsRDD = keyValueRDD.
             groupByKey().
             mapValues(list => StatCounter(list))
    // 转码rowkey，统计信息放入并写入hbase
    keyStatsRDD.map { case (k, v) => convertToPut(k, v) }.saveAsHadoopDataset(jobConfig)

下图显示newAPIHadoopRDD的输出。PairRDDFunctions saveAsHadoopDataset将Put对象保存到HBase。

软件

• 本教程将在MapR Sandbox上运行 ，其中包括Spark。
• 您可以从这里下载代码和数据以运行这些例子：
  • 代码：https：//github.com/caroljmcdonald/SparkStreamingHBaseExample

运行程序

您可以将代码作为独立应用程序运行，如“MapR Sandbox上的Spark入门教程”中所述。

以下是总的步骤：

1. 按照MapR沙箱入门Spark中的介绍，用户ID user01，密码mapr。
2. 使用maven构建应用程序。
3. 使用scp将jar文件和数据文件复制到沙盒主目录/ user / user01。
4. 运行应用程序：/ opt / mapr / spark / spark- <version> / bin / spark-submit --driver-class -pathhbase classpath --class examples.HBaseSensorStream sparkstreamhbaseapp-1.0.jar
5. 将流式数据文件复制到流目录中：cp sensordata.csv /user/user01/stream/
6. 读取数据并计算一列的数据/ opt / mapr / spark / spark- <version> / bin / spark-submit --driver-class -path hbase classpath - --class examples.HBaseReadWrite sparkstreamhbaseapp-1.0.jar
7. 计算整行的统计信息/ opt / mapr / spark / spark- <version> / bin / spark-submit --driver-class -path hbase classpath - --class examples.HBaseReadRowWriteStats sparkstreamhbaseapp-1.0.jar

总结

这就结束了关于使用HBase进行Spark Streaming的教程。您可以在参考资料部分找到更多信息。

参考文献和更多信息：

• Apache Spark入门：从入门到生产书籍
• Apache Spark流编程指南
• 学习Spark O'Reilly Book
• Databricks Spark Streaming