Spark Streaming之window滑动窗口详解_以60秒为滑动窗口-CSDN ...

相关文章推荐

想出家的电梯 · 数据压缩算法：LZ77 算法的分析与实现· 2 周前 ·

想出家的电梯 · 图解LZ77 压缩算法__lz77编码算法图解· 2 周前 ·

想出家的电梯 · LZ77压缩算法原理剖析· 2 周前 ·

怕老婆的米饭 · 罗马和迪巴拉与马蒂奇告别，雷恩高管透露与马蒂 ...· 5 月前 ·

坏坏的青蛙 · 关晓彤_百度百科· 9 月前 ·

叛逆的山楂 · 心理年龄很小是什么意思？· 1 年前 ·

虚心的大熊猫 · 窦唯为什么说红磡演唱会是场阴谋? - ...· 1 年前 ·

怕老婆的课本 · 搜尋： | 教育資料與圖書館學· 1 年前 ·

window滑动窗口
Spark Streaming提供了滑动窗口操作的支持，从而让我们可以对一个滑动窗口内的数据执行计算操作。每次掉落在窗口内的RDD的数据，会被聚合起来执行计算操作，然后生成的RDD，会作为window DStream的一个RDD。比如下图中，就是对每三秒钟的数据执行一次滑动窗口计算，这3 秒内的3个RDD会被聚合起来进行处理，然后过了两秒钟，又会对最近三秒内的数据执行滑动窗口计算。所以每个滑动窗口操作，都必须指定两个参数，窗口长度以及滑动间隔，而且这两个参数值都必须是batch间隔的整数倍。（Spark Streaming对滑动窗口的支持，是比Storm更加完善和强大的）
在这里插入图片描述
window滑动窗口操作函数

Transform	意义
window	对每个滑动窗口的数据执行自定义的计算
countByWindow	对每个滑动窗口的数据执行count操作
reduceByWindow	对每个滑动窗口的数据执行reduce操作
reduceByKeyAndWindow	对每个滑动窗口的数据执行reduceByKey操作
countByValueAndWindow	对每个滑动窗口的数据执行countByValue操作

案例：热点搜索词滑动统计，每隔10秒钟，统计最近60秒钟的搜索词的搜索频次，并打印出排名最靠前的3个搜索词以及出现次数

执行reduceByKeyAndWindow，滑动窗口操作

第二个参数，是窗口长度，这里是60秒
第三个参数，是滑动间隔，这里是10秒

也就是说，每隔10秒钟，将最近60秒的数据，作为一个窗口，进行内部的RDD的聚合，然后统一对一个RDD进行后续计算

Java语言实现：

package com.kfk.spark.window_hotwords_project;
import com.kfk.spark.common.CommStreamingContext;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.PairFunction;
import org.apache.spark.streaming.Durations;
import org.apache.spark.streaming.api.java.JavaDStream;
import org.apache.spark.streaming.api.java.JavaPairDStream;
import org.apache.spark.streaming.api.java.JavaReceiverInputDStream;
import org.apache.spark.streaming.api.java.JavaStreamingContext;
import scala.Tuple2;
import java.util.List;
 * @author : 蔡政洁
 * @email :caizhengjie888@icloud.com
 * @date : 2020/12/18
 * @time : 2:03 下午
public class WindowHotWordJava {
    static JavaStreamingContext jssc = null;
    public static void main(String[] args) throws InterruptedException {
        jssc = CommStreamingContext.getJssc();
         * 数据模型：java
         *         hive
         *         spark
         *         java
        JavaReceiverInputDStream<String> inputDstream = jssc.socketTextStream("bigdata-pro-m04",9999);
         * <java,1>
         * <hive,1>
         * ...
        JavaPairDStream<String, Integer> pair = inputDstream.mapToPair(new PairFunction<String, String, Integer>() {
            @Override
            public Tuple2<String, Integer> call(String line) throws Exception {
                return new Tuple2<>(line,1);
        });
         * <java,5>
         * <hive,3>
         * <spark,6>
         * <flink,10>
        JavaPairDStream<String, Integer> windowWordCount = pair.reduceByKeyAndWindow(new Function2<Integer,Integer,Integer>() {
            @Override
            public Integer call(Integer v1, Integer v2) throws Exception {
                return v1+v2;
        }, Durations.seconds(60),Durations.seconds(10));
        JavaDStream<Tuple2<String, Integer>> finalStream = windowWordCount.transform(
                new Function<JavaPairRDD<String, Integer>, JavaRDD<Tuple2<String, Integer>>>() {
            @Override
            public JavaRDD<Tuple2<String, Integer>> call(JavaPairRDD<String, Integer> line) throws Exception {
                JavaPairRDD<Integer,String> beginPair = line.mapToPair(new PairFunction<Tuple2<String, Integer>, Integer, String>() {
                    @Override
                    public Tuple2<Integer, String> call(Tuple2<String, Integer> stringIntegerTuple2) throws Exception {
                        return new Tuple2<>(stringIntegerTuple2._2,stringIntegerTuple2._1);
                });
                JavaPairRDD<Integer,String> sortRdd = beginPair.sortByKey(false);
                JavaPairRDD<String,Integer> sortPair = sortRdd.mapToPair(new PairFunction<Tuple2<Integer, String>, String, Integer>() {
                    @Override
                    public Tuple2<String,Integer> call(Tuple2<Integer, String> integerStringTuple2) throws Exception {
                        return new Tuple2<>(integerStringTuple2._2,integerStringTuple2._1);
                });
                List<Tuple2<String,Integer>> wordList = sortPair.take(3);
                for (Tuple2<String, Integer> stringIntegerTuple2 : wordList) {
                    System.out.println(stringIntegerTuple2._1 + " : " + stringIntegerTuple2._2);
                return jssc.sparkContext().parallelize(wordList);
        });
        finalStream.print();
        jssc.start();
        jssc.awaitTermination();
Scala语言实现 
package com.kfk.spark.window_hotwords_project
import com.kfk.spark.common.CommStreamingContextScala
import org.apache.spark.streaming.Seconds
 * @author : 蔡政洁
 * @email :caizhengjie888@icloud.com
 * @date : 2020/12/18
 * @time : 4:47 下午
object WindowHotWordScala {
    def main(args: Array[String]): Unit = {
        val jssc = CommStreamingContextScala.getJssc
        val inputDstream = jssc.socketTextStream("bigdata-pro-m04", 9999)
         * 数据模型：java
         * hive
         * spark
         * java
        val pairDStream = inputDstream.map(x => (x,1))
         * <java,1>
         * <hive,1>
         * ...
        val windowWordCount = pairDStream.reduceByKeyAndWindow((x:Int,y:Int) => x+y,Seconds(60),Seconds(10))
         * 热点搜索词滑动统计，每隔10秒钟，统计最近60秒钟的搜索词的搜索频次，
         * 并打印出 排名最靠前的3个搜索词以及出现次数
        val finalDStream = windowWordCount.transform(x => {
            val sortRDD = x.map(x => (x._2,x._1)).sortByKey(false).map(x => (x._2,x._1))
            val list = sortRDD.take(3)
            jssc.sparkContext.parallelize(list)
        finalDStream.print()
        jssc.start()
        jssc.awaitTermination()
测试数据： 
运行结果： 
-------------------------------------------
Time: 1608705518000 ms
-------------------------------------------
(hive,3)
(java ,2)
(java,2)
以上内容仅供参考学习，如有侵权请联系我删除！
 如果这篇文章对您有帮助，左下角的大拇指就是对博主最大的鼓励。
 您的鼓励就是博主最大的动力！
                    window滑动窗口Spark Streaming提供了滑动窗口操作的支持，从而让我们可以对一个滑动窗口内的数据执行 计算操作。每次掉落在窗口内的RDD的数据，会被聚合起来执行计算操作，然后生成的RDD，会作 为window DStream的一个RDD。比如下图中，就是对每三秒钟的数据执行一次滑动窗口计算，这3 秒内的3个RDD会被聚合起来进行处理，然后过了两秒钟，又会对最近三秒内的数据执行滑动窗口 计算。所以每个滑动窗口操作，都必须指定两个参数，窗口长度以及滑动间隔，而且这两个参数 值都必须是batch
				本文介绍流处理的概念，流处理引擎环境和Apache Spark Streaming概述。
批数据处理是指通过固定的输入数据集运行计算逻辑，并在结束时产生结果。这意味着处理将在到达数据集末尾时停止。
相比之下，流处理是关于通过无界数据集运行计算逻辑，因此处理是连续且长时间运行的。
虽然批处理数据与流数据的区别主要在于有限性，但由于流数据的无界数据性质、实时数据的传入顺序、
数据到达的不同速率以及面对机器故障时对正确性和低延迟的期望，流数据处理要比批数据处理复杂得多，也更具挑战性。
流处理的挑战
				import org.apache.spark.SparkConf
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.streaming.dstream.{DStream, ReceiverInputDStream}
import org.junit.Test
/** spark 滑动窗口测试（slide window）
  * 参考 https://www.cnblogs..
Spark Steaming支持对某个时间窗口内实现对数据计算
上图描绘了是以3倍的微批次作为一个窗口长度，并且以2倍微批次作为滑动间隔。将落入到相同窗口的微批次合并成一个相对较大的微批次-窗口批次。
Spark要求所有的窗口的长度以及滑动的间隔必须是微批次的整数倍
滑动窗口：窗口长度 > 滑动间隔  窗口与窗口之间存在元素的重叠。
滚动窗口：窗口长度 = 滑动间隔  窗口...
				SparkStreaming使用离散化流作为抽象表示，叫做DStream。Dstream是随时间推移而得到的数据序列。在内部，每个时间区间收到的数据都作为RDD的存在 
而DStream是由这些RDD所组成的序列。DStream可以从各种输入源创建，比如Flume、KafaKa或者HDFS。创建出来的DStream支持两种操作（转换和输出）
SparkStreaming应用需要进行额外配置保证2...
				目录一、Structured Streaming概述（1）Structured Streaming背景（2）Structured Streaming概念二、Structured Streaming编程模型（1）编程模型（2）EventTime（3）容错语义三、基于WordCount程序讲解Structured Streaming编程模型
一、Structured Streaming概述
（1）Structured Streaming背景
大多数的流式计算引擎（比如storm、spark streaming等
一、Spark与HBase的集成
Spark支持多种数据源，但是Spark对HBase的读写都没有相对优雅的api，但spark和HBase整合的场景又比较多，故通过spark的数据源API自己实现了一套比较方便操作HBase的API。
数据模型：
row,addres,age,username
				目录一、RDD、DataFrame和DataSet的定义二、RDD、DataFrame和DataSet的比较（1）Spark版本（2）数据表示形式（3）数据格式（4）编译时类型安全（5）序列化（6）垃圾回收（7）效率/内存使用（8）编程语言支持（9）聚合操作(Aggregation)（10）结论
一、RDD、DataFrame和DataSet的定义
在开始Spark RDD与DataFrame与Dataset之间的比较之前，先让我们看一下Spark中的RDD，DataFrame和Datasets的定义：