当前位置： 首页 > article >正文

大数据学习之SparkStreaming、PB级百战出行网约车项目一

article 2025/2/13 9:49:25

一.SparkStreaming

163.SparkStreaming概述

Spark Streaming is an extension of the core Spark API that
enables scalable, high-throughput, fault-tolerant stream
processing of live data streams.
Spark Streaming 是核心 Spark API 的扩展，支持实时数据流的
可扩展、高吞吐量、容错流处理。
Spark Streaming 用于流式数据的处理。 Spark Streaming 支持
的数据输入源很多，例如： Kafka 、 Flume 、 HDFS 、 Kinesis 和 TCP
套接字等等。数据输入后可以用 Spark 的高级函数（如 map 、
reduce 、 join 和 window 等进行运算。而结果也能保存在很多地方，
如 HDFS ，数据库和实时仪表板等。还可以可以在数据流上应用
Spark 的机器学习和图形处理算法。
Spark Streaming 接收实时输入数据流，并将数据分为多个批
次，然后由 Spark 引擎进行处理，以批量生成最终结果流。在内部，
它的工作原理如下：

164.SparkStreaming_架构

背压机制 ( 了解 ) Spark 1.5 以前版本，用户如果要限制 Receiver 的数据接收速
率，可以通过设置静态配制参数
“spark.streaming.receiver.maxRate” 的值来实现，此举虽然可以通
过限制接收速率，来适配当前的处理能力，防止内存溢出，但也会
引入其它问题。比如： producer 数据生产高于 maxRate ，当前集群
处理能力也高于 maxRate ，这就会造成资源利用率下降等问题。
为了更好的协调数据接收速率与资源处理能力， 1.5 版本开始
Spark Streaming 可以动态控制数据接收速率来适配集群数据处理
能力。背压机制（即 Spark Streaming Backpressure ） : 根据
JobScheduler 反馈作业的执行信息来动态调整 Receiver 数据接收
率。
通过属性 “spark.streaming.backpressure.enabled” 来控制是
否启用 backpressure 机制，默认值 false ，即不启用。

165.SparkStreaming_创建项目

<dependency>
<groupId> org.apache.spark </groupId>
<artifactId> spark-core_2.12 </artifactId>
<version> 3.2.1 </version>
</dependency>
<dependency>
   
<groupId> org.apache.spark </groupId>
   
<artifactId> spark
streaming_2.12 </artifactId>
   
<version> 3.2.1 </version>
</dependency>

166.SparkStreaming_WORDCOUNT

package com . itbaizhan . streaming
import org . apache . spark . SparkConf
import org . apache . spark . streaming . dstream .
{ DStream , ReceiverInputDStream }
import org . apache . spark . streaming .{ Seconds ,
StreamingContext }
object StreamingWordCount {
def main ( args : Array [ String ]): Unit = {
   
//1. 初始化 SparkConf 类的对象
   
val conf : SparkConf = new SparkConf ()
    . setMaster ( "local[*]" )
    . setAppName ( "StreamingWordCount" )
   
//2. 创建 StreamingContext 对象
   
val ssc = new StreamingContext ( conf ,
Seconds ( 5 ))
   
//3. 通过监控 node1 的 9999 端口创建 DStream 对象
   
val lines : ReceiverInputDStream [ String ]
=
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
7 测试
1
在 node1 上
2
在 IDEA 中运行程序
3
在 node1 上
4
查看 IDEA 控制台
     
ssc . socketTextStream ( "node1" , 9999 )
   
//4. 将每一行数据做切分，形成一个个单词
   
val wordsDS : DStream [ String ] =
lines . flatMap ( _ . split ( " " ))
   
//5.word=>(word,1)
   
val wordOne : DStream [( String , Int )] =
wordsDS . map (( _ , 1 ))
   
//6. 将相同的 key 的 value 做聚合加
   
val wordCount : DStream [( String , Int )] =
wordOne . reduceByKey ( _ + _ )
   
//7. 打印输出
   
wordCount . print ()
   
//8. 启动
   
ssc . start ()
   
//9. 等待执行停止
   
ssc . awaitTermination ()
}
}

167.SparkStreaming_数据抽象

168.SparkStreaming_RDD队列创建DSTREAM

169.SparkStreaming_自定义数据源一

需求：自定义数据源，实现监控指定的端口号，获取该端口号
内容。
需要继承 Receiver ，并实现 onStart 、 onStop 方法来自定义数据源采集。
package com . itbaizhan . streaming
import org . apache . spark . storage . StorageLevel
import
org . apache . spark . streaming . receiver . Receiver
import java . io .{ BufferedReader ,
InputStreamReader }
import java . net . Socket
import java . nio . charset . StandardCharsets
1
2
3
4
5
6
7
8
9
13 class ReceiverCustomer ( host : String , port :
Int ) extends Receiver [ String ]
( StorageLevel . MEMORY_ONLY ) {
// 最初启动的时候，调用该方法
// 作用：读数据并将数据发送给 Spark
override def onStart (): Unit = {
   
new Thread ( "Socket Receiver" ) {
     
override def run () {
       
receive ()
    }
  }. start ()
}
override def onStop (): Unit = {}
// 读数据并将数据发送给 Spark
def receive (): Unit = {
   
// 创建一个 Socket
   
var socket : Socket = new Socket ( host ,
port )
   
// 定义一个变量，用来接收端口传过来的数据
   
var input : String = null
   
// 创建一个 BufferedReader 用于读取端口传来的数
据
   
val reader = new BufferedReader ( new
InputStreamReader ( socket . getInputStream ,
StandardCharsets . UTF_8 ))
   
// 读取数据
   
input = reader . readLine ()
   
// 当 receiver 没有关闭并且输入数据不为空，则循环
发送数据给 Spark
   
while ( ! isStopped () && input != null ) {
     
store ( input )
     
input = reader . readLine ()
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
14 使用自定义的数据源采集数据
  }
   
// 跳出循环则关闭资源
   
reader . close ()
   
socket . close ()
   
// 重启任务
   
restart ( "restart" )
}
}

170.SparkStreaming_自定义数据源二

package com . itbaizhan . streaming
import org . apache . spark . SparkConf
import org . apache . spark . streaming .{ Seconds ,
StreamingContext }
object CustomerSource {
def main ( args : Array [ String ]): Unit = {
   
//1. 初始化 Spark 配置信息
   
val sparkConf = new SparkConf ()
    . setMaster ( "local[*]" )
    . setAppName ( "CustomerSource" )
   
//2. 初始化
   
val ssc = new
StreamingContext ( sparkConf , Seconds ( 5 ))
   
//3. 创建自定义 receiver 的 Streaming
   
val lines = ssc . receiverStream ( new
ReceiverCustomer ( "node1" , 9999 ))
   
lines . print ()
   
//4. 启动
   
ssc . start ()
   
ssc . awaitTermination ()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
15 测试
1
在 node1 上
2
在 IDEA 中运行程序
3
在 node1 上
4
查看 IDEA 控制台
实时效果反馈
1. 关于 SparkStreaming 接收器自定义数据源的描述，错误的
是：
A
需要继承 Receiver ，并实现 onStart 、 onStop 方法来自定义
数据源采集。
B
Xxx extends Receiver[String](StorageLevel.MEMORY_ONLY)
接收到数据仅保存在
内存中。
C
onStart()
最初启动的时候，调用该方法；作用是读数据并将数
据发给 Spark 。
D
onStop()
不能空实现。
答案：
1=>D 可以空实现
SparkStreaming_DStream 无状态转换
}
}
20
21
[root@node1 ~] # nc -lk 9999
1
[root@node1 ~] # nc -lk 9999
aa
bb
cc

171.SparkStreaming_DSTREAM无状态转换

172.SparkStreaming_DSTREAM无状态转换transform

173.SparkStreaming_DSTREAM有状态转换

174.SparkStreaming_窗口操作reducebykeyandwidow概述

//reduceFunc– 结合和交换 reduce 函数
//windowDuration– 窗口长度；必须是此数据流批处理间
隔的倍数
//slideDuration– 窗口的滑动间隔 , 即新数据流生成 RDD
的间隔
def reduceByKeyAndWindow (
   
reduceFunc : ( V , V ) => V ,
   
windowDuration : Duration ,
   
slideDuration : Duration
): DStream [( K , V )] = ssc . withScope {
   
//partitioner– 用于控制新数据流中每个 RDD 分区的
分区器
reduceByKeyAndWindow ( reduceFunc ,
windowDuration , slideDuration ,
defaultPartitioner ())
}

175.SparkStreaming_窗口操作reducebykeyandwidow实战

176.SparkStreaming_窗口操作reducebykeyandwidow优化

177.SparkStreaming_窗口操作WINDOW

178.SparkStreaming_输出

179.SparkStreaming_优雅关闭一

流式任务需要 7*24 小时执行，但是有时涉及到升级代码需要主
动停止程序，但是分布式程序，没办法做到一个个进程去杀死，所
以配置优雅的关闭就显得至关重要了。使用外部文件系统来控制内
部程序关闭。
package com . itbaizhan . streaming
import org . apache . spark . SparkConf
import
org . apache . spark . streaming . dstream . ReceiverI
nputDStream
import org . apache . spark . streaming .{ Seconds ,
StreamingContext }
object StreamingStopDemo {
def createSSC (): StreamingContext = {
   
val sparkConf : SparkConf = new
SparkConf (). setMaster ( "local[*]" ). setAppName
( "StreamingStop" )
   
// 设置优雅的关闭
sparkConf . set ( "spark.streaming.stopGraceful
lyOnShutdown" , "true" )
1
2
3
4
5
6
7
8
9
34    
val ssc = new
StreamingContext ( sparkConf , Seconds ( 5 ))
   
ssc . checkpoint ( "./ckp" )
   
ssc
}
def main ( args : Array [ String ]): Unit = {
   
val ssc : StreamingContext =
StreamingContext . getActiveOrCreate ( "./ckp" ,
() => createSSC ())
   
new Thread ( new
StreamingStop ( ssc )). start ()
   
val line : ReceiverInputDStream [ String ] =
ssc . socketTextStream ( "node1" , 9999 )
   
line . print ()
   
ssc . start ()
   
ssc . awaitTermination ()
}
}
10
11
12
13
14
15
16
17
18
19
20
21
22
package com . itbaizhan . streaming
import org . apache . hadoop . conf . Configuration
import org . apache . hadoop . fs .{ FileSystem ,
Path }
import org . apache . spark . streaming .
{ StreamingContext , StreamingContextState }
import java . net . URI
class StreamingStop ( ssc : StreamingContext )
extends Runnable {
override def run (): Unit = {
   
val fs : FileSystem = FileSystem . get ( new
URI ( "hdfs://node2:9820" ),
     
new Configuration (), "root" )
1
2
3
4
5
6
7
8
9
35 测试
1
启动 hadoop 集群
2
在 node1 上： nc -lk 9999
3
运行程序
4
在 node2 ：
5
在 node1 上：
   
while ( true ) {
     
try
       
Thread . sleep ( 5000 )
     
catch {
       
case e : InterruptedException =>
         
e . printStackTrace ()
    }
     
val state : StreamingContextState =
ssc . getState
     
if ( state ==
StreamingContextState . ACTIVE ) {
       
val bool : Boolean = fs . exists ( new
Path ( "hdfs://node2:9820/stopSpark" ))
       
if ( bool ) {
         
ssc . stop ( stopSparkContext = true ,
stopGracefully = true )
         
System . exit ( 0 )
      }
    }
  }
}
}

180.SparkStreaming_优雅关闭二

181.SparkStreaming_优雅关闭测试

182.SparkStreaming_整合KAFKA模式

183.SparkStreaming_整合kafka开发一

导入依赖：
代码编写：
<dependency>
   
<groupId> org.apache.spark </groupId>
   
<artifactId> spark-streaming-kafka-0-
10_2.12 </artifactId>
   
<version> 3.2.1 </version>
</dependency>
<dependency>
<groupId> com.fasterxml.jackson.core </groupI
d>
   
<artifactId> jackson-core </artifactId>
   
<version> 2.12.7 </version>
</dependency>
1
2
3
4
5
6
7
8
9
10
package com . itbaizhan . streaming
import org . apache . kafka . clients . consumer .
{ ConsumerConfig , ConsumerRecord }
import org . apache . spark . SparkConf
import org . apache . spark . streaming . dstream .
{ DStream , InputDStream }
1
2
3
4
40 import org . apache . spark . streaming . kafka010 .
{ ConsumerStrategies , KafkaUtils ,
LocationStrategies }
import org . apache . spark . streaming .{ Seconds ,
StreamingContext }
object DirectAPIDemo {
def main ( args : Array [ String ]): Unit = {
   
//1. 创建 SparkConf
   
val sparkConf : SparkConf = new
SparkConf ()
    . setMaster ( "local[*]" )
    . setAppName ( "DirectAPIDemo" )
   
//2. 创建 StreamingContext
   
val ssc = new
StreamingContext ( sparkConf , Seconds ( 3 ))
   
//3. 定义 Kafka 参数
   
val kafkaPara : Map [ String , Object ] =
Map [ String , Object ](
   
ConsumerConfig . BOOTSTRAP_SERVERS_CONFIG ->
"node2:9092,node3:9092,node4:9092" ,
     
ConsumerConfig . GROUP_ID_CONFIG ->
"itbaizhan" ,
     
"key.deserializer" ->
"org.apache.kafka.common.serialization.Strin
gDeserializer" ,
     
"value.deserializer" ->
"org.apache.kafka.common.serialization.Strin
gDeserializer"
  )
   
//4. 读取 Kafka 数据创建 DStream
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
41 SparkStreaming_ 整合 Kafka 测试
   
val kafkaDStream :
InputDStream [ ConsumerRecord [ String , String ]]
=
     
KafkaUtils . createDirectStream [ String ,
String ]( ssc ,
       
// 由框架自动选择位置匹配
       
LocationStrategies . PreferConsistent ,
       
// 消费者策略 主题： topicKafka,kafka 参
数： kafkaPara
       
ConsumerStrategies . Subscribe [ String ,
String ]( Set ( "topicKafka" ), kafkaPara ))
   
//5. 将每条消息的 KV 取出
   
//val valueDStream: DStream[String] =
kafkaDStream.map(record => record.value())
   
val valueDStream : DStream [ String ] =
kafkaDStream . map ( _ . value ())
   
//6. 计算 WordCount
   
valueDStream . flatMap ( _ . split ( " " ))
    . map (( _ , 1 ))
    . reduceByKey ( _ + _ )
    . print ()
   
//7. 开启任务
   
ssc . start ()
   
ssc . awaitTermination ()
}
}

184.SparkStreaming_整合kafka开发二

185.SparkStreaming_整合kafka测试

二.PB级百战出行网约车项目一

1.百战出行

项目需求分析
数据采集平台搭建
1
订单数据实时分析计算乘车人数和订单数
2
虚拟车站
3
订单交易数据统计分析
4
司机数据统计分析
5
用户数据统计分析
6
1 名称
框架
数据采集传输
MaxWell 、 Kafka
数据存储
Hbase 、 MySQL 、 Redis
数据计算
Spark
数据库可视化
Echarts
项目技术点
掌握数据从终端 (APP) 的产生到数据中台处理再到大数据后台处理的整个链路技术。
1
Spark 自定义数据源实现 HBase 数据进行剪枝分析计算。
2
基于 Phoenix 实战海量数据秒查询。
3
平台新用户和留存用户分析。
4
空间索引算法 Uber h3 分析与蜂窝六边形区域订单分析。

2.百战出行架构设计

3.环境搭建_HBASE安装部署

4.环境搭建_KAFKA安装部署

5.环境搭建_MYSQL安装部署

6.环境搭建_REDIS安装部署

7.构建父工程

8.订单监控_收集订单数据

9.订单监控_订单数据分析

10.订单监控_存储数据之读取数据

11.订单监控_存储数据之保持数据至MYSQL

12.订单监控_MAXWELL介绍

13.订单监控_MAXWELL安装

14.订单监控_SPARK_STREAMING整合KAFKA_上

15.订单监控_SPARK_STREAMING整合KAFKA_下

16.订单监控_实时统计订单总数之消费订单数据

17.订单监控_实时统计订单总数之构建订单解析器

18.订单监控_实时统计订单总数之解析订单JSON数据

19.订单监控_实时统计订单总数

20.订单监控_实时统计乘车人数统计


http://www.kler.cn/a/543304.html

相关文章：

  • mongoTemplate获取某列最大值
  • 算法——数学建模中的“上帝掷骰子”：蒙特卡罗算法
  • Vue笔记（八）
  • 基于STM32的ADS1230驱动例程
  • 【LeetCode Hot100 双指针】移动零、盛最多水的容器、三数之和、接雨水
  • 高级java每日一道面试题-2025年02月03日-服务器篇[Nginx篇]-Nginx是如何处理一个HTTP请求的呢 ?
  • 数据可视化：让数据讲故事的力量
  • AI前端开发社区与资源：效率提升的秘密武器
  • 『哈哥赠书 - 55期』-『码农职场：IT人求职就业手册』
  • 使用 EMQX 接入 LwM2M 协议设备
  • GlusterFS 深度洞察：从架构原理到案例实践的全面解读（上）
  • Java（Springboot）
  • 使用Python爬虫获取淘宝搜索词推荐API接口
  • 人工智能加速冲击？Anthropic报告：43%的任务正被人工智能替代
  • 零基础学CocosCreator·第九季-网络游戏同步策略与ESC架构
  • Windows逆向工程入门之标志寄存器及其结构和标志位
  • Ollama本地部署DeepSeek（Mac）
  • 网络安全纵深防御体系框架 网络安全防护体系
  • 【2025新】基于springboot的问卷调查小程序设计与实现
  • 【亲测可用】Bandicam v8.1.0（班迪录屏软件）便携完整版
  • 探秘Hugging Face与DeepSeek：AI开源世界的闪耀双子星
  • 常见的排序算法：插入排序、选择排序、冒泡排序、快速排序
  • 自己动手实现一个简单的Linux AI Agent
  • 【数据结构】寻找规律:算对角线长度||杨辉三角||魔方问题（C语言实现）
  • singleTaskAndroid的Activity启动模式知识点总结
  • 做站群应该选择什么服务器？