【IDEA+Spark Streaming 3.4.1+Dstream监控套接字流统计WordCount保存至MySQL8】
本帖最后由 buding123789 于 2023-8-4 22:35 编辑# 【IDEA+Spark Streaming 3.4.1+Dstream监控套接字流统计WordCount保存至MySQL8】
` 把DStream写入到MySQL数据库中`
- Spark 3.4.1
- MySQL 8.0.30
- sbt 1.9.2
---
# 前言
需要基于Spark Streaming 将实时监控的套接字流统计WordCount结果保存至MySQL
---
`提示：本项目通过sbt控制依赖`
# 一、背景说明
在Spark应用中，外部系统经常需要使用到Spark DStream处理后的数据，因此，需要采用输出操作把DStream的数据输出到数据库或者文件系统中
Spark Streaming是一个基于Spark的实时计算框架，它可以从多种数据源消费数据，并对数据进行高效、可扩展、容错的处理。Spark Streaming的工作原理有以下几个步骤：
- 数据接收：Spark Streaming可以从各种输入源接收数据，如Kafka、Flume、Twitter、Kinesis等，然后将数据分发到Spark集群中的不同节点上。每个节点上有一个接收器（Receiver）负责接收数据，并将数据存储在内存或磁盘中。
- 数据划分：Spark Streaming将连续的数据流划分为一系列小批量（Batch）的数据，每个批次包含一定时间间隔内的数据。这个时间间隔称为批处理间隔（Batch Interval），可以根据应用的需求进行设置。每个批次的数据都被封装成一个RDD，RDD是Spark的核心数据结构，表示一个不可变的分布式数据集。
- 数据处理：Spark Streaming对每个批次的RDD进行转换和输出操作，实现对流数据的处理和分析。转换操作可以使用Spark Core提供的各种函数，如map、reduce、join等，也可以使用Spark Streaming提供的一些特殊函数，如window、updateStateByKey等。输出操作可以将处理结果保存到外部系统中，如HDFS、数据库等。
- 数据输出：Spark Streaming将处理结果以DStream的形式输出，DStream是一系列连续的RDD组成的序列，表示一个离散化的数据流。DStream可以被进一步转换或输出到其他系统中。
DStream有状态转换操作是指在Spark Streaming中，对DStream进行一些基于历史数据或中间结果的转换，从而得到一个新的DStream。
# 二、使用步骤
## 1.引入库
```sbt
ThisBuild / version := "0.1.0-SNAPSHOT"
ThisBuild / scalaVersion := "2.13.11"
lazy val root = (project in file("."))
.settings(
name := "SparkLearning",
idePackagePrefix := Some("cn.lh.spark"),
libraryDependencies += "org.apache.spark" %% "spark-sql" % "3.4.1",
libraryDependencies += "org.apache.spark" %% "spark-core" % "3.4.1",
libraryDependencies += "org.apache.hadoop" % "hadoop-auth" % "3.3.6",
libraryDependencies += "org.apache.spark" %% "spark-streaming" % "3.4.1",
libraryDependencies += "org.apache.spark" %% "spark-streaming-kafka-0-10" % "3.4.1",
libraryDependencies += "org.apache.spark" %% "spark-mllib" % "3.4.1" % "provided",
libraryDependencies += "mysql" % "mysql-connector-java" % "8.0.30"
)
```
## 2.开发代码
为了实现通过spark Streaming 监控控制台输入，需要开发两个代码：
- NetworkWordCountStatefultoMysql.scala
- StreamingSaveMySQL8.scala
NetworkWordCountStatefultoMysql.scala
```scala
package cn.lh.spark
import org.apache.spark.SparkConf
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.streaming.dstream.{DStream, ReceiverInputDStream}
object NetworkWordCountStatefultoMysql {
def main(args: Array): Unit = {
// 定义状态更新函数
val updateFunc = (values: Seq, state: Option) => {
val currentCount = values.foldLeft(0)(_ + _)
val previousCount = state.getOrElse(0)
Some(currentCount + previousCount)
}
// 设置log4j日志级别
StreamingExamples.setStreamingLogLevels()
val conf: SparkConf = new SparkConf().setAppName("NetworkCountStateful").setMaster("local")
val scc: StreamingContext = new StreamingContext(conf, Seconds(5))
// 设置检查点，具有容错机制
scc.checkpoint("F:\\niit\\2023\\2023_2\\Spark\\codes\\checkpoint")
val lines: ReceiverInputDStream = scc.socketTextStream("192.168.137.110", 9999)
val words: DStream = lines.flatMap(_.split(" "))
val wordDstream: DStream[(String, Int)] = words.map(x => (x, 1))
val stateDstream: DStream[(String, Int)] = wordDstream.updateStateByKey(updateFunc)
// 打印出状态
stateDstream.print()
// 将统计结果保存到MySQL中
stateDstream.foreachRDD(rdd =>{
val repartitionedRDD = rdd.repartition(3)
repartitionedRDD.foreachPartition(StreamingSaveMySQL8.writeToMySQL)
})
scc.start()
scc.awaitTermination()
scc.stop()
}
}
```
StreamingSaveMySQL8.scala
```scala
package cn.lh.spark
import java.sql.DriverManager
object StreamingSaveMySQL8 {
// 定义写入 MySQL 的函数
def writeToMySQL(iter: Iterator[(String,Int)]): Unit = {
// 保存到MySQL
val ip = "192.168.137.110"
val port = "3306"
val db = "sparklearning"
val username = "lh"
val pwd = "Lh123456!"
val jdbcurl = s"jdbc:mysql://$ip:$port/$db"
val conn = DriverManager.getConnection(jdbcurl, username, pwd)
val statement = conn.prepareStatement("INSERT INTO wordcount (word,count) VALUES (?,?)")
try {
// 写入数据
iter.foreach { wc =>
statement.setString(1, wc._1.trim)
statement.setInt(2, wc._2.toInt)
statement.executeUpdate()
}
} catch {
case e:Exception => e.printStackTrace()
} finally {
if(statement != null){
statement.close()
}
if(conn!=null){
conn.close()
}
}
}
}
```
## 运行测试
准备工作：
1. 提前在mysql中新建数据表保存Spark Streaming写入的数据
2. 启动nc -lk 9999
3. 启动 NetworkWordCountStatefultoMysql.scala
4. 在nc端口输入字符，再分别到idea控制台和MySQL检查结果
---
# 总结
本次实验通过IDEA基于Spark Streaming 3.4.1开发程序监控套接字流，并统计字符串，实现实时统计单词出现的数量。试验成功，相对简单。
后期改善点如下：
* 通过配置文件读取mysql数据库相应的配置信息，不要写死在代码里
* 写入数据时，sql语句【插入的表信息】，可以在调用方法时，当作参数输入
* iter: Iterator[(String,Int)] 应用泛型
* 插入表时，自动保存插入时间
欢迎各位开发者一同改进代码，有问题有疑问提出来交流。谢谢！
页:
[1]