在之前學習的RDD和DataFrame數據集主要處理的是離線數據,隨著時代發展進步,我們會發現越來越多數據是在源源不斷發回到數據中心,同時需要立刻響應給用戶,這樣的情況我們就會用到實時處理,常用的場景有實時顯示某商場一小時人流密度、實時顯示當天火車站人口總數等等。接下來從實時數據源說起,實時數據源主要有:
- File Source
- Socket Source
- Flume Source
- Kafka Source
File Source指的是文件作為數據來源,常用的有本地文件file和分布式系統hdfs,這邊以本地文件來說明,實現代碼如下
from pyspark import SparkContext
from pyspark.streaming import StreamingContext
if __name__ == '__main__':
sc = SparkContext(appName="inputSourceStreaming", master="local[*]")
# 第二個參數指統計多長時間的數據
ssc = StreamingContext(sc, 5)
lines = ssc.textFileStream("file:///home/llh/data/streaming")
counts = lines.flatMap(lambda line: line.split(" ")).map(lambda x: (x, 1)).reduceByKey(lambda a,b: a+b)
counts.pprint()
# -------------------------------------------
# Time: 2019-07-31 18:11:55
# -------------------------------------------
# ('hong', 2)
# ('zhang', 2)
# ('li', 2)
# ('san', 2)
# ('wang', 2)
ssc.start()
ssc.awaitTermination()
然后不斷向/home/llh/data/streaming/目錄下拷貝文件,結果如上面注釋所示
Socket Source指網絡套接字作為數據來源,用命令nc模擬網絡發送信息,實現代碼如下
from pyspark import SparkContext
from pyspark.streaming import StreamingContext
if __name__ == '__main__':
sc = SparkContext(appName="inputSourceStreaming", master="local[*]")
# 第二個參數指統計多長時間的數據
ssc = StreamingContext(sc, 5)
lines = ssc.socketTextStream("localhost", 9999)
counts = lines.flatMap(lambda line: line.split(" ")).map(lambda x: (x, 1)).reduceByKey(lambda a,b: a+b)
counts.pprint()
# -------------------------------------------
# Time: 2019-07-31 18: 43:25
# -------------------------------------------
# ('hadoop', 1)
# ('spark', 1)
ssc.start()
ssc.awaitTermination()
命令端執行~$ nc -lk 9999
hadoop spark
之后運行代碼即可
Flume是一個高可用海量收集日志系統,因此可作為數據來源,實現代碼如下
from pyspark import SparkContext
from pyspark.streaming import StreamingContext
from pyspark.streaming.flume import FlumeUtils
if __name__ == '__main__':
sc = SparkContext(appName="inputSourceStreaming", master="local[*]")
# 第二個參數指統計多長時間的數據
ssc = StreamingContext(sc, 5)
lines = FlumeUtils.createStream("localhost", 34545)
counts = lines.flatMap(lambda line: line.split(" ")).map(lambda x: (x, 1)).reduceByKey(lambda a,b: a+b)
counts.pprint()
ssc.start()
ssc.awaitTermination()
Kafka是一款分布式消息隊列,常作為中間件用于傳輸,隔離,Kafka是以上四種里面實際開發最常用的流式數據來源,一樣實現代碼如下
from pyspark import SparkContext
from pyspark.streaming import StreamingContext
from pyspark.streaming.kafka import KafkaUtils
if __name__ == '__main__':
sc = SparkContext(appName="inputSourceStreaming", master="local[*]")
# 第二個參數指統計多長時間的數據
ssc = StreamingContext(sc, 5)
kvs = KafkaUtils.createDirectStream(ssc, "topic-name", "localhost:9092")
lines = kvs.map(lambda x: x[1])
counts = lines.flatMap(lambda line: line.split(" ")).map(lambda x: (x, 1)).reduceByKey(lambda a,b: a+b)
counts.pprint()
ssc.start()
ssc.awaitTermination()
好了,以上就是實時處理主要數據來源,第四種最為重要必須掌握。
?
Spark學習目錄:
- Spark學習實例1(Python):單詞統計 Word Count
- Spark學習實例2(Python):加載數據源Load Data Source
- Spark學習實例3(Python):保存數據Save Data
- Spark學習實例4(Python):RDD轉換 Transformations
- Spark學習實例5(Python):RDD執行 Actions
- Spark學習實例6(Python):共享變量Shared Variables
- Spark學習實例7(Python):RDD、DataFrame、DataSet相互轉換
- Spark學習實例8(Python):輸入源實時處理 Input Sources Streaming
- Spark學習實例9(Python):窗口操作 Window Operations
更多文章、技術交流、商務合作、聯系博主
微信掃碼或搜索:z360901061

微信掃一掃加我為好友
QQ號聯系: 360901061
您的支持是博主寫作最大的動力,如果您喜歡我的文章,感覺我的文章對您有幫助,請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧,狠狠點擊下面給點支持吧,站長非常感激您!手機微信長按不能支付解決辦法:請將微信支付二維碼保存到相冊,切換到微信,然后點擊微信右上角掃一掃功能,選擇支付二維碼完成支付。
【本文對您有幫助就好】元
