note34sparkstreamingWord文档格式.docx
《note34sparkstreamingWord文档格式.docx》由会员分享，可在线阅读，更多相关《note34sparkstreamingWord文档格式.docx（12页珍藏版）》请在冰豆网上搜索。
接收来的数据会越堆积越多，最后可能会导致OOM。
2.SparkStreaming代码
代码注意事项：
启动socketserver服务器：
nc–lk9999
local的模拟线程必须大于等于2，一个被receiver用来接受数据，另一个线程用来执行job。
Durations时间设置就是我们能接收的延迟度。
这个需要根据集群的资源情况以及任务的执行情况来调节。
创建JavaStreamingContext有两种方式（SparkConf,SparkContext）
所有的代码逻辑完成后要有一个operator算子。
JavaStreamingContext.start（）Streaming框架启动后不能再次添加业务逻辑。
JavaStreamingContext.stop（）无参的stop方法将SparkContext一同关闭，stop（false），不会关闭SparkContext。
JavaStreamingContext.stop（）停止之后不能再调用start。
SparkConfconf=newSparkConf（）.setMaster（"
local[2]"
）.setAppName（"
WordCountOnline"
）;
/**
*在创建streaminContext的时候设置batchInterval
*/
JavaStreamingContextjsc=newJavaStreamingContext（conf,Durations.seconds（5））;
JavaReceiverInputDStream<
String>
lines=jsc.socketTextStream（"
node5"
9999）;
JavaDStream<
words=lines.flatMap（newFlatMapFunction<
String,String>
（）{
/**
*
privatestaticfinallongserialVersionUID=1L;
@Override
publicIterable<
call（Strings）{
returnArrays.asList（s.split（"
"
））;
}
}）;
JavaPairDStream<
String,Integer>
ones=words.mapToPair（newPairFunction<
String,String,Integer>
publicTuple2<
returnnewTuple2<
（s,1）;
counts=ones.reduceByKey（newFunction2<
Integer,Integer,Integer>
publicIntegercall（Integeri1,Integeri2）{
returni1+i2;
//outputoperator类的算子
counts.print（）;
jsc.start（）;
//等待spark程序被终止
jsc.awaitTermination（）;
jsc.stop（false）;
4.SparkStreaming算子操作
1.foreachRDD
output算子
2.transform
transformation类算子
可以通过transform算子，对Dstream做RDD到RDD的任意操作。
3.updateStateByKey
transformation算子
updateStateByKey作用：
1）为SparkStreaming中每一个Key维护一份state状态，state类型可以是任意类型的，可以是一个自定义的对象，更新函数也可以是自定义的。
2）通过更新函数对该key的状态不断更新，对于每个新的batch而言，SparkStreaming会在使用updateStateByKey的时候为已经存在的key进行state的状态更新。
使用到updateStateByKey要开启checkpoint机制和功能。
多久会将内存中的数据写入到磁盘一份？
如果batchInterval设置的时间小于10秒，那么10秒写入磁盘一份。
如果batchInterval设置的时间大于10秒，那么就会batchInterval时间间隔写入磁盘一份。
4.窗口操作
窗口操作理解图：
假设每隔5s1个batch,上图中窗口长度为15s，窗口滑动间隔10s。
窗口长度和滑动间隔必须是batchInterval的整数倍。
如果不是整数倍会检测报错。
优化后的window窗口操作示意图：
优化后的window操作要保存状态所以要设置checkpoint路径，没有优化的window操作可以不设置checkpoint路径。
5.DriverHA（Standalone或者Mesos）
因为SparkStreaming是7*24小时运行，Driver只是一个简单的进程，有可能挂掉，所以实现Driver的HA就有必要（如果使用的Client模式就无法实现DriverHA，这里针对的是cluster模式）。
实现Driver的高可用有两个步骤:
第一：
提交任务层面，在提交任务的时候加上选项–supervise,当Driver挂掉的时候会自动重启Driver。
第二：
代码层面，使用JavaStreamingContext.getOrCreate（checkpoint路径，JavaStreamingContextFactory）
Driver中元数据包括：
1.创建应用程序的配置信息。
2.Dstream的操作逻辑。
3.job中没有完成的批次数据，也就是job的执行进度。
6.Kafka
1.kafka是什么？
使用场景？
kafka是一个高吞吐的分布式消息队列系统。
特点是生产者消费者模式，先进先出（FIFO）保证顺序，自己不丢数据，默认每隔7天清理数据。
消息列队常见场景：
系统之间解耦合、峰值压力缓冲、异步通信。
2.kafka生产消息、存储消息、消费消息
Kafka架构是由producer（消息生产者）、consumer（消息消费者）、borker（kafka集群的server，负责处理消息读、写请求，存储消息）、topic（消息队列/分类相当于队列，里面有生产者和消费者模型）、broker（代理，在kafkacluster这一层这里，其实里面是有很多个broker）、zookeeper（元数据信息存在zookeeper中，包括：
存储消费偏移量，topic话题信息，partition信息）这些部分组成。
kafka里面的消息是有topic来组织的，简单的我们可以想象为一个队列，一个队列就是一个topic，然后它把每个topic又分为很多个partition，这个是为了做并行的，在每个partition内部消息强有序，相当于有序的队列，其中每个消息都有个序号offset，比如0到12，从前面读往后面写。
一个partition对应一个broker，一个broker可以管多个partition，比如说，topic有6个partition，有两个broker，那每个broker就管3个partition。
这个partition可以很简单想象为一个文件，当数据发过来的时候它就往这个partition上面append，追加就行，消息不经过内存缓冲，直接写入文件，kafka和很多消息系统不一样，很多消息系统是消费完了我就把它删掉，而kafka是根据时间策略删除，而不是消费完就删除，在kafka里面没有一个消费完这么个概念，只有过期这样一个概念。
producer自己决定往哪个partition里面去写，这里有一些的策略，譬如如果hash，不用多个partition之间去join数据了。
consumer自己维护消费到哪个offset，每个consumer都有对应的group，group内是queue消费模型（各个consumer消费不同的partition，因此一个消息在group内只消费一次），group间是publish-subscribe消费模型，各个group各自独立消费，互不影响，因此一个消息在被每个group消费一次。
3.kafka的特点
系统的特点：
生存者消费者模型，FIFO
Partition内部是FIFO的，partition之间不是FIFO的，当然我们可以把topic设为一个partition，这样就是严格的FIFO。
高性能：
单节点支持上千个客户端，百MB/s吞吐，接近网卡的极限
持久性：
消息直接持久化在普通磁盘上且性能好
直接写到磁盘中去，就是直接append到磁盘里去，这样的好处是直接持久化，数据不会丢失，第二个好处是顺序写，然后消费数据也是顺序的读，所以持久化的同时还能保证顺序，比较好，因为磁盘顺序读比较好。
分布式：
数据副本冗余、流量负载均衡、可扩展
分布式，数据副本，也就是同一份数据可以到不同的broker上面去，也就是当一份数据，磁盘坏掉的时候，数据不会丢失，比如3个副本，就是在3个机器磁盘都坏掉的情况下数据才会丢，在大量使用情况下看这样是非常好的，负载均衡，可扩展，在线扩展，不需要停服务。
很灵活：
消息长时间持久化+Client维护消费状态
消费方式非常灵活，第一原因是消息持久化时间跨度比较长，一天或者一星期等，第二消费状态自己维护消费到哪个地方了可以自定义消费偏移量。
4.kafka集群搭建
1）上传kafka_2.10-0.8.2.2.tgz包到三个不同节点上，解压。
2）配置../kafka_2.10-0.8.2.2/config/server.properties文件
节点编号：
（不同节点按0,1,2,3整数来配置）
真实数据存储位置：
zookeeper的节点：
3）启动zookeeper集群。
4）三个节点上，启动kafka:
bin/kafka-server-start.shconfig/server.properties
最好使用自己写的脚本启动，将日志写入到一个文件：
nohupbin/kafka-server-start.shconfig/server.properties>
kafka.log2>
&
1&
脚本附件：
（放在与bin同一级别下，注意创建后要修改权限：
chmod755startkafka.sh）
5）相关命令：
创建topic：
./kafka-topics.sh--zookeepernode3:
2181,node4:
2181,node5:
2181--create--topictopic2017--partitions3--replication-factor3
用一台节点控制台来当kafka的生产者：
./kafka-console-producer.sh--topictopic2017
--broker-listnode1:
9092,node2:
9092,node3:
9092
用另一台节点控制台来当kafka的消费者：
./kafka-console-consumer.sh--zookeepernode3:
2181--topictopic2017
查看kafka中topic列表:
./kafka-topics.sh--list--zookeepernode3:
2181
查看kafka中topic的描述：
./kafka-topics.sh--describe--zookeepernode3:
注意：
ISR是检查数据的完整性有哪些个节点。
查看zookeeper中topic相关信息：
启动zookeeper客户端：
./zkCli.sh
查看topic相关信息：
ls/brokers/topics/
查看消费者相关信息：
ls/consumers
5.kafka的leader的均衡机制
当一个broker停止或者crashes时，所有本来将它作为leader的分区将会把leader转移到其他broker上去，极端情况下，会导致同一个leader管理多个分区，导致负载不均衡，同时当这个broker重启时，如果这个broker不再是任何分区的leader,kafka的client也不会从这个broker来读取消息，从而导致资源的浪费。
kafka中有一个被称为优先副本（preferredreplicas）的概念。
如果一个分区有3个副本，且这3个副本的优先级别分别为0,1,2，根据优先副本的概念，0会作为leader。
当0节点的broker挂掉时，会启动1节点broker当做leader。
当0节点的broker再次启动后，会自动恢复为此partition的leader。
不会导致负载不均衡和资源浪费，这就是leader的均衡机制。
在配置文件conf/server.properties中配置开启（默认就是开启）：
auto.leader.rebalance.enabletrue
7.SparkStreaming+Kafka
1.receiver模式
receiver模式原理图
receiver模式理解：
在SparkStreaming程序运行起来后，Executor中会有receivertasks接收kafka推送过来的数据。
数据会被持久化，默认级别为MEMORY_AND_DISK_SER_2,这个级别也可以修改。
receivertask对接收过来的数据进行存储和备份，这个过程会有节点之间的数据传输。
备份完成后去zookeeper中更新消费偏移量，然后向Driver中的receivertracker汇报数据的位置。
最后Driver根据数据本地化将task分发到不同节点上执行。
receiver模式中存在的问题
当Driver进程挂掉后，Driver下的Executor都会被杀掉，当更新完zookeeper消费偏移量的时候，Driver如果挂掉了，就会存在找不到数据的问题，相当于丢失数据。
如何解决这个问题？
开启WAL（writeaheadlog）预写日志机制,在接受过来数据备份到其他节点的时候，同时备份到HDFS上一份（我们需要将接收来的数据的持久化级别降级到MEMORY_AND_DISK），这样就能保证数据的安全性。
不过，因为写HDFS比较消耗性能，要在备份完数据之后才能进行更新zookeeper以及汇报位置等，这样会增加job的执行时间，这样对于任务的执行提高了延迟度。
receiver模式代码（见代码）
receiver的并行度设置
receiver的并行度是由spark.streaming.blockInterval来决定的，默认为200ms,假设batchInterval为5s,那么每隔blockInterval就会产生一个block,这里就对应每批次产生RDD的partition,这样5秒产生的这个Dstream中的这个RDD的partition为25个，并行度就是25。
如果想提高并行度可以减少blockInterval的数值，但是最好不要低于50ms。
2.Driect模式
Direct模式理解
SparkStreaming+kafka的Driect模式就是将kafka看成存数据的一方，不是被动接收数据，而是主动去取数据。
消费者偏移量也不是用zookeeper来管理，而是SparkStreaming自己用checkpoint来管理，当然也可以实现用zookeeper来管理。
Direct模式并行度设置
Direct模式的并行度是由读取的kafka中topic的partition数决定的。
Direct模式代码（见代码）
3.相关配置
预写日志:
spark.streaming.receiver.writeAheadLog.enable默认false没有开启
blockInterval:
spark.streaming.blockInterval默认200ms
反压机制:
spark.streaming.backpressure.enabled默认false
接收数据速率:
spark.streaming.receiver.maxRate默认没有设置
用nc-lk9999做stream的信息来源
yuminstall-ync，一般安装时都没有装
nc-lk9999，守候9999端口
集群启动访问hdfs要用8020
升级会员 