用实例讲解 Spark Sreaming

本篇文章用 Spark Streaming ＋Hbase 为列，Spark Streaming 专为流式数据处理，对 Spark 核心 API 进行了相应的扩展。

首先，什么是流式处理呢？数据流是一个数据持续不断到达的无边界序列集。流式处理是把连续不断的数据输入分割成单元数据块来处理。流式处理是一个低延迟的处理和流式数据分析。Spark Streaming 对 Spark 核心 API 进行了相应的扩展，支持高吞吐、低延迟、可扩展的流式数据处理。实时数据处理应用的场景有下面几个：

• 网站监控和网络监控；
• 异常监测；
• 网页点击；
• 广告数据；

物联网（IOT）

图 1

Spark Streaming 支持的数据源包括 HDFS 文件，TCP socket，Kafka，Flume，Twitter 等，数据流可以通过 Spark 核心 API、DataFrame SQL 或者机器学习 API 处理，并可以持久化到本地文件、HDFS、数据库或者其它任意支持 Hadoop 输出格式的形式。

Spark Streaming 以 X 秒（batch size）为时间间隔把数据流分割成 Dstream，组成一个 RDD 序列。你的 Spark 应用处理 RDD，并把处理的结果批量返回。

图 2

图 3

Spark Streaming 例子代码分下面几部分：
- 读取流式数据；
- 处理流式数据；
- 写处理结果倒 Hbase 表。

Spark 处理部分的代码涉及到如下内容：

• 读取 Hbase 表的数据；
• 按天计算数据统计；
• 写统计结果到 Hbase 表，列簇：stats。

数据集来自油泵信号数据，以 CSV 格式存储在指定目录下。Spark Streaming 监控此目录，CSV 文件的格式如图 3。

图 4

采用 Scala 的 case class 来定义数据表结构，parseSensor 函数解析逗号分隔的数据。

流式处理的 Hbase 表结构如下：

• 油泵名字 ＋ 日期 ＋ 时间戳 组合成 row key；
• 列簇是由输入数据列、报警数据列等组成，并设置过期时间。
• 每天等统计数据表结构如下：
• 油泵名和日期组成 row key；

列簇为 stats，包含列有最大值、最小值和平均值；

图 5

配置写入 Hbase 表

Spark 直接用 TableOutputFormat 类写数据到 Hbase 里，跟在 MapReduce 中写数据到 Hbase 表一样，下面就直接用 TableOutputFormat 类了。

Spark Streaming 代码

Spark Streaming 的基本步骤：

• 初始化 Spark StreamingContext 对象；
• 在 DStream 上进行 transformation 操作和输出操作；
• 开始接收数据并用 streamingContext.start()；
• 等待处理停止，streamingContext.awaitTermination()。

创建 StreamingContext 对象，StreamingContext 是 Spark Streaming 处理的入口，这里设置 2 秒的时间间隔。

val sparkConf = new SparkConf().setAppName("HBaseStream")
// create a StreamingContext, the main entry point for all streaming functionality
val ssc = new StreamingContext(sparkConf, Seconds(2))

接下来用 StreamingContext 的 textFileStream(directory) 创建输入流跟踪 Hadoop 文件系统的新文件，并处理此目录下的所有文件，这里 directory 指文件目录。

// create a DStream that represents streaming data from a directory source
val linesDStream = ssc.textFileStream("/user/user01/stream")

linesDStream 是数据流，每条记录是按行记录的 text 格式。

图 6

接下来进行解析，对 linesDStream 进行 map 操作，map 操作是对 RDD 应用 Sensor.parseSensor 函数，返回 Sensor 的 RDD。

// parse each line of data in linesDStream into sensor objects
val sensorDStream = linesDStream.map(Sensor.parseSensor)

图 7

对 DStream 的每个 RDD 执行 foreachRDD 方法，使用 filter 过滤 Sensor 中低 psi 值来创建报警，使用 Hbase 的 Put 对象转换 sensor 和 alter 数据以便能写入到 Hbase。然后使用 PairRDDFunctions 的 saveAsHadoopDataset 方法将最终结果写入到任何 Hadoop 兼容到存储系统。

// for each RDD. performs function on each RDD in DStream
sensorRDD.foreachRDD { rdd =>
// filter sensor data for low psi
val alertRDD = rdd.filter(sensor => sensor.psi < 5.0)
// convert sensor data to put object and write to HBase Table CF data
rdd.map(Sensor.convertToPut).saveAsHadoopDataset(jobConfig)
// convert alert to put object write to HBase Table CF alerts
rdd.map(Sensor.convertToPutAlert).saveAsHadoopDataset(jobConfig)
}

sensorRDD 经过 Put 对象转换，然后写入到 Hbase。

图 8

通过 streamingContext.start() 显式的启动数据接收，然后调用 streamingContext.awaitTermination() 来等待计算完成。

// Start the computation
    ssc.start()
    // Wait for the computation to terminate
    ssc.awaitTermination()

现在开始读取 Hbase 的 sensor 表，计算每条的统计指标并把对应的数据写入 stats 列簇。

图 9

下面的代码读取 Hbase 的 sensor 表 psi 列数据，用 StatCounter 计算统计数据，然后写入 stats 列簇。

// configure HBase for reading 
    val conf = HBaseConfiguration.create()
    conf.set(TableInputFormat.INPUT_TABLE, HBaseSensorStream.tableName)
    // scan data column family psi column
    conf.set(TableInputFormat.SCAN_COLUMNS, "data:psi") 
// Load an RDD of (row key, row Result) tuples from the table
    val hBaseRDD = sc.newAPIHadoopRDD(conf, classOf[TableInputFormat],
      classOf[org.apache.hadoop.hbase.io.ImmutableBytesWritable],
      classOf[org.apache.hadoop.hbase.client.Result])
    // transform (row key, row Result) tuples into an RDD of Results
    val resultRDD = hBaseRDD.map(tuple => tuple._2)
    // transform into an RDD of (RowKey, ColumnValue)s , with Time removed from row key
    val keyValueRDD = resultRDD.
              map(result => (Bytes.toString(result.getRow()).
              split(" ")(0), Bytes.toDouble(result.value)))
    // group by rowkey , get statistics for column value
    val keyStatsRDD = keyValueRDD.
             groupByKey().
             mapValues(list => StatCounter(list))
    // convert rowkey, stats to put and write to hbase table stats column family
    keyStatsRDD.map { case (k, v) => convertToPut(k, v) }.saveAsHadoopDataset(jobConfig)

下面的流程图显示 newAPIHadoopRDD 输出，（row key，result）的键值对。PairRDDFunctions 的 saveAsHadoopDataset 方法把 Put 对象存入到 Hbase。

图 10

运行 Spark Streaming 应用跟运行 Spark 应用类似，比较简单，此处不赘述，参见 Spark Streaming 官方文档。