使用Apache Spark构建实时分析Dashboard

本篇博文中（ Building Real-Time Analytics Dashboard Using Apache Spark ，作者： Abhinav Singh ， Sandeep Giri ），我们将学习如何使用 Apache Spark streaming，Kafka，Node.js，Socket.IO 和 Highcharts 构建实时分析 Dashboard。

问题描述

电子商务门户（ http://www.aaaa.com ）希望构建一个实时分析仪表盘，对每分钟发货的订单数量做到可视化，从而优化物流的效率。

解决方案

解决方案之前，先快速看看我们将使用的工具：
Apache Spark – 一个通用的大规模数据快速处理引擎。Spark 的批处理速度比 Hadoop MapReduce 快近 10 倍，而内存中的数据分析速度则快近 100 倍。更多关于Apache Spark 的信息。

Python – Python 是一种广泛使用的高级，通用，解释，动态编程语言。 更多关于Python 的信息。

Kafka – 一个高吞吐量，分布式消息发布订阅系统。 更多关于Kafka 的信息。

Node.js – 基于事件驱动的 I/O 服务器端 JavaScript 环境，运行在 V8 引擎上。 更多关于Node.js 的信息。

Socket.io – Socket.IO 是一个构建实时 Web 应用程序的 JavaScript 库。它支持 Web 客户端和服务器之间的实时、双向通信。 更多关于Socket.io 的信息。

Highcharts – 网页上交互式 JavaScript 图表。 更多关于Highcharts 的信息。

CloudxLab – 提供一个真实的基于云的环境，用于练习和学习各种工具。你可以通过在线注册立即开始练习。

如何构建数据Pipeline?

下面是数据Pipeline 高层架构图

(点击放大图像)

数据 Pipeline

实时分析 Dashboard

让我们从数据 Pipeline 中的每个阶段的描述开始，并完成解决方案的构建。

阶段 1

当客户购买系统中的物品或订单管理系统中的订单状态变化时，相应的订单 ID 以及订单状态和时间将被推送到相应的 Kafka 主题中。

数据集

由于没有真实的在线电子商务门户网站，我们准备用 CSV 文件的数据集来模拟。让我们看看数据集：

 
DateTime, OrderId, Status
2016-07-13 14:20:33,xxxxx-xxx,processing
2016-07-13 14:20:34,xxxxx-xxx,shipped
2016-07-13 14:20:35,xxxxx-xxx,delivered

数据集包含三列分别是：“DateTime”、“OrderId”和“Status”。数据集中的每一行表示特定时间时订单的状态。这里我们用“xxxxx-xxx”代表订单 ID。我们只对每分钟发货的订单数感兴趣，所以不需要实际的订单 ID。

可以从 CloudxLab GitHub 仓库克隆完整的解决方案的源代码和数据集。
数据集位于项目的spark-streaming/data/order_data文件夹中。

推送数据集到 Kafka

shell 脚本将从这些 CSV 文件中分别获取每一行并推送到 Kafka。推送完一个 CSV 文件到 Kafka 之后，需要等待 1 分钟再推送下一个 CSV 文件，这样可以模拟实时电子商务门户环境，这个环境中的订单状态是以不同的时间间隔更新的。在现实世界的情况下，当订单状态改变时，相应的订单详细信息会被推送到 Kafka。

运行我们的 shell 脚本将数据推送到 Kafka 主题中。登录到 CloudxLab Web 控制台并运行以下命令。

 
# Clone the repository
 
git clone https://github.com/singhabhinav/cloudxlab.git
 
# Create the order-data topic in Kafka
 
export PATH=$PATH:/usr/hdp/current/kafka-broker/bin
kafka-topics.sh --create --zookeeper localhost:2181 
--replication-factor 1 --partitions 1 --topic order-data
 
# Go to Kafka directory
 
cd cloudxlab/spark-streaming/kafka
 
# Run the Script for pushing data to Kafka topic 
# ip-172-31-13-154.ec2.internal is the hostname of broker.
# Find list of brokers in Ambari (a.cloudxlab.com:8080). 
# Use hostname of any one of the brokers
# order-data is the Kafka topic
 
/bin/bash put_order_data_in_topic.sh ../data/order_data/ 
ip-172-31-13-154.ec2.internal:6667 order-data
 
# Script will push CSV files one by one to Kafka topic 
after every one minute interval
 
# Let the script run. Do not close the terminal

阶段 2

在第 1 阶段后，Kafka“order-data”主题中的每个消息都将如下所示

 
2016-07-13 14:20:33,xxxxx-xxx,processing

阶段 3

Spark streaming 代码将在 60 秒的时间窗口中从“order-data”的 Kafka 主题获取数据并处理，这样就能在该 60 秒时间窗口中为每种状态的订单计数。处理后，每种状态订单的总计数被推送到“order-one-min-data”的 Kafka 主题中。

请在 Web 控制台中运行这些 Spark streaming 代码

 
# Login to CloudxLab web console in the second tab
 
# Create order-one-min-data Kafka topic 
 
export PATH=$PATH:/usr/hdp/current/kafka-broker/bin
kafka-topics.sh --create --zookeeper localhost:2181 
--replication-factor 1 --partitions 1 --topic order-one-min-data
 
# Go to spark directory
 
cd cloudxlab/spark-streaming/spark
 
# Run the Spark Streaming code
 
spark-submit --jars spark-streaming-kafka-assembly_2.10-1.6.0.jar 
spark_streaming_order_status.py localhost:2181 order-data
 
# Let the script run. Do not close the terminal

阶段 4

在这个阶段，Kafka 主题“order-one-min-data”中的每个消息都将类似于以下 JSON 字符串

 
{
   "shipped": 657,
   "processing": 987,
   "delivered": 1024
}

阶段 5

运行 Node.js server

现在我们将运行一个 node.js 服务器来使用“order-one-min-data”Kafka 主题的消息，并将其推送到 Web 浏览器，这样就可以在 Web 浏览器中显示出每分钟发货的订单数量。

请在 Web 控制台中运行以下命令以启动 node.js 服务器

 
# Login to CloudxLab web console in the third tab
 
# Go to node directory 
 
cd cloudxlab/spark-streaming/node
 
# Install dependencies as specified in package.json
 
npm install
 
# Run the node server
 
node index.js
 
# Let the server run. Do not close the terminal

现在 node 服务器将运行在端口 3001 上。如果在启动 node 服务器时出现“EADDRINUSE”错误，请编辑 index.js 文件并将端口依次更改为 3002…3003…3004 等。请使用 3001-3010 范围内的任意可用端口来运行 node 服务器。

用浏览器访问

启动 node 服务器后，请转到 http://YOUR_WEB_CONSOLE:PORT_NUMBER 访问实时分析 Dashboard。如果您的 Web 控制台是 f.cloudxlab.com，并且 node 服务器正在端口 3002 上运行，请转到 http://f.cloudxlab.com:3002 访问 Dashboard。

当我们访问上面的 URL 时，socket.io-client 库被加载到浏览器，它会开启服务器和浏览器之间的双向通信信道。

阶段 6

一旦在 Kafka 的“order-one-min-data”主题中有新消息到达，node 进程就会消费它。消费的消息将通过 socket.io 发送给 Web 浏览器。

阶段 7

一旦 web 浏览器中的 socket.io-client 接收到一个新的“message”事件，事件中的数据将会被处理。如果接收的数据中的订单状态是“shipped”，它将会被添加到 HighCharts 坐标系上并显示在浏览器中。

截图

我们还录制了一个关于如何运行上述所有的命令并构建实时分析 Dashboard 的视频。

我们已成功构建实时分析Dashboard。这是一个基本示例，演示如何集成Spark-streaming，Kafka，node.js 和socket.io 来构建实时分析Dashboard。现在，由于有了这些基础知识，我们就可以使用上述工具构建更复杂的系统。

希望本指南有帮助。 请随时留下您的意见。 在Twitter 上关注CloudxLab，获取有关新博客和视频的更新。

查看英文原文： Building Real-Time Analytics Dashboard Using Apache Spark

感谢杜小芳对本文的策划和审校。

给InfoQ 中文站投稿或者参与内容翻译工作，请邮件至 editors@cn.infoq.com 。也欢迎大家通过新浪微博（ @InfoQ ， @丁晓昀），微信（微信号： InfoQChina ）关注我们。