1. 全栈程序员必看首页

Spark Streaming Join「建议收藏」

全栈程序员-用户IM • • 未分类

Spark Streaming Join「建议收藏」多数据源Join思路多数据源Join大致有以下三种思路：数据源端Join，如Android/IOS客户端在上报用户行为数据时就获取并带上用户基础信息。计算引擎上Join,如用SparkStreaming、Flink做Join。结果端Join，如用HBase/ES做Join,Join键做Rowkey/_id，各字段分别写入列簇、列或field。三种思路各有优劣，使用时注意…

大家好，又见面了，我是你们的朋友全栈君。

多数据源Join思路

多数据源Join大致有以下三种思路：

  • 数据源端Join，如Android/IOS客户端在上报用户行为数据时就获取并带上用户基础信息。

  • 计算引擎上Join,如用Spark Streaming、Flink做Join。

  • 结果端Join，如用HBase/ES做Join,Join键做Rowkey/_id，各字段分别写入列簇、列或field。

三种思路各有优劣，使用时注意一下。这里总结在计算引擎Spark Streaming上做Join。

Stream-Static Join

流与完全静态数据Join

流与完全静态数据Join。有两种方式，一种是RDD Join方式，另一种是Broadcast Join(也叫Map-Side Join)方式。

RDD Join 方式

思路：RDD Join RDD 。

package com.bigData.spark
import com.alibaba.fastjson.{ 
JSON, JSONException, JSONObject}
import org.apache.kafka.common.serialization.StringDeserializer
import org.apache.log4j.{ 
Level, Logger}
import org.apache.spark.SparkConf
import org.apache.spark.streaming.kafka010.{ 
ConsumerStrategies, KafkaUtils, LocationStrategies}
import org.apache.spark.streaming.{ 
Durations, StreamingContext}
/** * Author: Wang Pei * License: Copyright(c) Pei.Wang * Summary: * * Stream-Static Join * * spark 2.2.2 * */
case class UserInfo(userID:String,userName:String,userAddress:String)
object StreamStaicJoin { 

def main(args: Array[String]): Unit = { 

//设置日志等级
Logger.getLogger("org").setLevel(Level.WARN)
//Kafka 参数
val kafkaParams= Map[String, Object](
"bootstrap.servers" -> "localhost:9092",
"key.deserializer" -> classOf[StringDeserializer],
"value.deserializer" -> classOf[StringDeserializer],
"auto.offset.reset" -> "latest",
"enable.auto.commit" -> (true: java.lang.Boolean),
"group.id" -> "testTopic3_consumer_v1")
//spark环境
val sparkConf = new SparkConf().setAppName(this.getClass.getSimpleName.replace("$","")).setMaster("local[3]")
val ssc = new StreamingContext(sparkConf,Durations.seconds(10))
/** 1) 静态数据: 用户基础信息*/
val userInfo=ssc.sparkContext.parallelize(Array(
UserInfo("user_1","name_1","address_1"),
UserInfo("user_2","name_2","address_2"),
UserInfo("user_3","name_3","address_3"),
UserInfo("user_4","name_4","address_4"),
UserInfo("user_5","name_5","address_5")
)).map(item=>(item.userID,item))
/** 2) 流式数据: 用户发的tweet数据*/
/** 数据示例： * eventTime：事件时间、retweetCount：转推数、language：语言、userID：用户ID、favoriteCount：点赞数、id：事件ID * {"eventTime": "2018-11-05 10:04:00", "retweetCount": 1, "language": "chinese", "userID": "user_1", "favoriteCount": 1, "id": 4909846540155641457} */
val kafkaDStream=KafkaUtils.createDirectStream[String,String](
ssc,
LocationStrategies.PreferConsistent,
ConsumerStrategies.Subscribe[String,String](Set("testTopic3"),kafkaParams)
).map(item=>parseJson(item.value())).map(item=>{ 

val userID = item.getString("userID")
val eventTime = item.getString("eventTime")
val language= item.getString("language")
val favoriteCount = item.getInteger("favoriteCount")
val retweetCount = item.getInteger("retweetCount")
(userID,(userID,eventTime,language,favoriteCount,retweetCount))
})
/** 3) 流与静态数据做Join (RDD Join 方式)*/
kafkaDStream.foreachRDD(_.join(userInfo).foreach(println))
ssc.start()
ssc.awaitTermination()
}
/**json解析*/
def parseJson(log:String):JSONObject={ 

var ret:JSONObject=null
try{ 

ret=JSON.parseObject(log)
}catch { 

//异常json数据处理
case e:JSONException => println(log)
}
ret
}
}

stream_static_rdd_join.png

Broadcast Join 方式

思路：RDD遍历每一条数据，去匹配广播变量中的值。

package com.bigData.spark
import com.alibaba.fastjson.{ 
JSON, JSONException, JSONObject}
import org.apache.kafka.common.serialization.StringDeserializer
import org.apache.log4j.{ 
Level, Logger}
import org.apache.spark.{ 
SparkConf, SparkContext}
import org.apache.spark.streaming.kafka010.{ 
ConsumerStrategies, KafkaUtils, LocationStrategies}
import org.apache.spark.streaming.{ 
Durations, StreamingContext}
/** * Author: Wang Pei * License: Copyright(c) Pei.Wang * Summary: * * Stream-Static Join * * spark 2.2.2 * */
case class UserInfo(userID:String,userName:String,userAddress:String)
object StreamStaticJoin2 { 

def main(args: Array[String]): Unit = { 

//设置日志等级
Logger.getLogger("org").setLevel(Level.WARN)
//Kafka 参数
val kafkaParams= Map[String, Object](
"bootstrap.servers" -> "localhost:9092",
"key.deserializer" -> classOf[StringDeserializer],
"value.deserializer" -> classOf[StringDeserializer],
"auto.offset.reset" -> "latest",
"enable.auto.commit" -> (true: java.lang.Boolean),
"group.id" -> "testTopic3_consumer_v1")
//spark环境
val sparkConf = new SparkConf().setAppName(this.getClass.getSimpleName.replace("$","")).setMaster("local[3]")
val ssc = new StreamingContext(sparkConf,Durations.seconds(10))
/** 1) 静态数据: 用户基础信息。 将用户基础信息广播出去。*/
val broadcastUserInfo=ssc.sparkContext.broadcast(
Map(
"user_1"->UserInfo("user_1","name_1","address_1"),
"user_2"->UserInfo("user_2","name_2","address_2"),
"user_3"->UserInfo("user_3","name_3","address_3"),
"user_4"->UserInfo("user_4","name_4","address_4"),
"user_5"->UserInfo("user_5","name_5","address_5")
))
/** 2) 流式数据: 用户发的tweet数据*/
/** 数据示例： * eventTime：事件时间、retweetCount：转推数、language：语言、userID：用户ID、favoriteCount：点赞数、id：事件ID * {"eventTime": "2018-11-05 10:04:00", "retweetCount": 1, "language": "chinese", "userID": "user_1", "favoriteCount": 1, "id": 4909846540155641457} */
val kafkaDStream=KafkaUtils.createDirectStream[String,String](
ssc,
LocationStrategies.PreferConsistent,
ConsumerStrategies.Subscribe[String,String](List("testTopic3"),kafkaParams)
).map(item=>parseJson(item.value())).map(item=>{ 

val userID = item.getString("userID")
val eventTime = item.getString("eventTime")
val language= item.getString("language")
val favoriteCount = item.getInteger("favoriteCount")
val retweetCount = item.getInteger("retweetCount")
(userID,(userID,eventTime,language,favoriteCount,retweetCount))
})
/** 3) 流与静态数据做Join (Broadcast Join 方式)*/
val result=kafkaDStream.mapPartitions(part=>{ 

val userInfo = broadcastUserInfo.value
part.map(item=>{ 

(item._1,(item._2,userInfo.getOrElse(item._1,null)))})
})
result.foreachRDD(_.foreach(println))
ssc.start()
ssc.awaitTermination()
}
/**json解析*/
def parseJson(log:String):JSONObject={ 

var ret:JSONObject=null
try{ 

ret=JSON.parseObject(log)
}catch { 

//异常json数据处理
case e:JSONException => println(log)
}
ret
}
}

stream_static_rdd_join2.png

流与半静态数据Join

半静态数据指的是放在Redis等的数据，会被更新。

思路：RDD 每个Partition连接一次Redis,遍历Partition中每条数据，根据k,去Redis中查找v。

package com.bigData.spark
import com.alibaba.fastjson.{ 
JSON, JSONException, JSONObject}
import org.apache.kafka.common.serialization.StringDeserializer
import org.apache.log4j.{ 
Level, Logger}
import org.apache.spark.SparkConf
import org.apache.spark.streaming.kafka010.{ 
ConsumerStrategies, KafkaUtils, LocationStrategies}
import org.apache.spark.streaming.{ 
Durations, StreamingContext}
import redis.clients.jedis.Jedis
/** * Author: Wang Pei * License: Copyright(c) Pei.Wang * Summary: * * Stream-Static Join * * spark 2.2.2 * */
object StreamStaicJoin3 { 

def main(args: Array[String]): Unit = { 

//设置日志等级
Logger.getLogger("org").setLevel(Level.WARN)
//Kafka 参数
val kafkaParams= Map[String, Object](
"bootstrap.servers" -> "localhost:9092",
"key.deserializer" -> classOf[StringDeserializer],
"value.deserializer" -> classOf[StringDeserializer],
"auto.offset.reset" -> "latest",
"enable.auto.commit" -> (true: java.lang.Boolean),
"group.id" -> "testTopic3_consumer_v1")
//spark环境
val sparkConf = new SparkConf().setAppName(this.getClass.getSimpleName.replace("$","")).setMaster("local[3]")
val ssc = new StreamingContext(sparkConf,Durations.seconds(10))
/** 1) 半静态数据: 用户基础信息,在Redis中*/
/** HMSET user_1 userID "user_1" name "name_1" address "address_1" */
/** HMSET user_2 userID "user_2" name "name_2" address "address_2" */
/** 2) 流式数据: 用户发的tweet数据*/
/** 数据示例： * eventTime：事件时间、retweetCount：转推数、language：语言、userID：用户ID、favoriteCount：点赞数、id：事件ID * {"eventTime": "2018-11-05 10:04:00", "retweetCount": 1, "language": "chinese", "userID": "user_1", "favoriteCount": 1, "id": 4909846540155641457} */
val kafkaDStream=KafkaUtils.createDirectStream[String,String](
ssc,
LocationStrategies.PreferConsistent,
ConsumerStrategies.Subscribe[String,String](Set("testTopic3"),kafkaParams)
).map(item=>parseJson(item.value())).map(item=>{ 

val userID = item.getString("userID")
val eventTime = item.getString("eventTime")
val language= item.getString("language")
val favoriteCount = item.getInteger("favoriteCount")
val retweetCount = item.getInteger("retweetCount")
(userID,(userID,eventTime,language,favoriteCount,retweetCount))
})
/** 3) 流与半静态数据做Join (RDD Join 方式)*/
val result=kafkaDStream.mapPartitions(part=>{ 

val redisCli=connToRedis("localhost",6379,3000,10)
part.map(item=>{ 

(item._1,(item._2,redisCli.hmget(item._1,"userID","name","address")))
})
})
result.foreachRDD(_.foreach(println))
ssc.start()
ssc.awaitTermination()
}
/**json解析*/
def parseJson(log:String):JSONObject={ 

var ret:JSONObject=null
try{ 

ret=JSON.parseObject(log)
}catch { 

//异常json数据处理
case e:JSONException => println(log)
}
ret
}
/**连接到redis*/
def connToRedis(redisHost:String,redisPort:Int,timeout:Int,dbNum:Int): Jedis ={ 

val redisCli=new Jedis(redisHost,redisPort,timeout)
redisCli.connect()
redisCli.select(dbNum)
redisCli
}
}

stream_static_join3.png

Stream-Stream Join

流与流Join。

思路：DStream Join DStream。

package com.bigData.spark
import com.alibaba.fastjson.{ 
JSON, JSONException, JSONObject}
import org.apache.kafka.common.serialization.StringDeserializer
import org.apache.log4j.{ 
Level, Logger}
import org.apache.spark.{ 
SparkConf, SparkContext}
import org.apache.spark.streaming.kafka010.{ 
ConsumerStrategies, KafkaUtils, LocationStrategies}
import org.apache.spark.streaming.{ 
Durations, StreamingContext}
/** * Author: Wang Pei * License: Copyright(c) Pei.Wang * Summary: * * Stream-Stream Join * * spark 2.2.2 * */
object StreamStreamJoin { 

def main(args: Array[String]): Unit = { 

//设置日志等级
Logger.getLogger("org").setLevel(Level.WARN)
//Kafka 参数
val kafkaParams1= Map[String, Object](
"bootstrap.servers" -> "localhost:9092",
"key.deserializer" -> classOf[StringDeserializer],
"value.deserializer" -> classOf[StringDeserializer],
"auto.offset.reset" -> "latest",
"enable.auto.commit" -> (true: java.lang.Boolean),
"group.id" -> "testTopic3_consumer_v1")
val kafkaParams2= Map[String, Object](
"bootstrap.servers" -> "localhost:9092",
"key.deserializer" -> classOf[StringDeserializer],
"value.deserializer" -> classOf[StringDeserializer],
"auto.offset.reset" -> "latest",
"enable.auto.commit" -> (true: java.lang.Boolean),
"group.id" -> "testTopic4_consumer_v1")
//spark环境
val sparkConf = new SparkConf().setAppName(this.getClass.getSimpleName.replace("$","")).setMaster("local[3]")
val ssc = new StreamingContext(sparkConf,Durations.seconds(10))
/** 1) 流式数据: 用户发的tweet数据*/
/** 数据示例： * eventTime：事件时间、retweetCount：转推数、language：语言、userID：用户ID、favoriteCount：点赞数、id：事件ID * {"eventTime": "2018-11-05 10:04:00", "retweetCount": 1, "language": "chinese", "userID": "user_1", "favoriteCount": 1, "id": 4909846540155641457} */
val kafkaDStream1=KafkaUtils.createDirectStream[String,String](
ssc,
LocationStrategies.PreferConsistent,
ConsumerStrategies.Subscribe[String,String](List("testTopic3"),kafkaParams1)
).map(item=>parseJson(item.value())).map(item=>{ 

val userID = item.getString("userID")
val eventTime = item.getString("eventTime")
val language= item.getString("language")
val favoriteCount = item.getInteger("favoriteCount")
val retweetCount = item.getInteger("retweetCount")
(userID,(userID,eventTime,language,favoriteCount,retweetCount))
})
/** 2) 流式数据: 用户发的tweet数据*/
/** 数据示例： * eventTime：事件时间、retweetCount：转推数、language：语言、userID：用户ID、favoriteCount：点赞数、id：事件ID * {"eventTime": "2018-11-05 10:04:00", "retweetCount": 1, "language": "chinese", "userID": "user_1", "favoriteCount": 1, "id": 4909846540155641457} */
val kafkaDStream2=KafkaUtils.createDirectStream[String,String](
ssc,
LocationStrategies.PreferConsistent,
ConsumerStrategies.Subscribe[String,String](List("testTopic4"),kafkaParams2)
).map(item=>parseJson(item.value())).map(item=>{ 

val userID = item.getString("userID")
val eventTime = item.getString("eventTime")
val language= item.getString("language")
val favoriteCount = item.getInteger("favoriteCount")
val retweetCount = item.getInteger("retweetCount")
(userID,(userID,eventTime,language,favoriteCount,retweetCount))
})
/** 3) Stream-Stream Join*/
val joinedDStream = kafkaDStream1.leftOuterJoin(kafkaDStream2)
joinedDStream.foreachRDD(_.foreach(println))
ssc.start()
ssc.awaitTermination()
}
/**json解析*/
def parseJson(log:String):JSONObject={ 

var ret:JSONObject=null
try{ 

ret=JSON.parseObject(log)
}catch { 

//异常json数据处理
case e:JSONException => println(log)
}
ret
}
}

stream_stream_join.png

版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。

发布者：全栈程序员-用户IM，转载请注明出处：https://javaforall.cn/147402.html原文链接：https://javaforall.cn

【正版授权，激活自己账号】： Jetbrains全家桶Ide使用，1年售后保障，每天仅需1毛

【官方授权 正版激活】： 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

赞 (0)
全栈程序员-用户IM全栈程序员-用户IM
0 0
blank

相关推荐

  • Java HashSet的实现原理详解

    Java HashSet的实现原理详解

    Java HashSet的实现原理详解HashSet是JavaMap类型的集合类中最常使用的，本文基于Java1.8，对于HashSet的实现原理做一下详细讲解。（Java1.8源码：http://docs.oracle.com/javase/8/docs/api/）一、HashSet实现原理总结HashSet的实现原理总结如下：①是基于HashMap实现的，默认构造函

    全栈程序员-用户IM 全栈程序员-用户IM
    2022年10月29日
  • AutoMapper使用笔记

    AutoMapper使用笔记

    AutoMapper使用笔记

    全栈程序员-用户IM 全栈程序员-用户IM
    2021年8月27日
  • 浅谈CDN是怎么工作的？

    浅谈CDN是怎么工作的？

    浅谈CDN是怎么工作的？

    全栈程序员-用户IM 全栈程序员-用户IM
    2022年2月11日
  • glPushMatrix()和glPopmatirx()

    glPushMatrix()和glPopmatirx()

    原文地址：http://blog.csdn.net/tyxkzzf/article/details/40907273OpenGL有三个矩阵堆栈，分别是GL_MODELVIEW（模型视图矩阵堆栈）、GL_PROJECTION（投影矩阵堆栈）、GL_TEXTURE（纹理矩阵堆栈），用法和普通堆栈一样；这里我们只讲模型视图矩阵堆栈，OpenGL提供了相应的接口：glPushMatir

    全栈程序员-用户IM 全栈程序员-用户IM
    2022年4月6日
  • boost::lockfree使用介绍

    boost::lockfree使用介绍

    boost::lockfree使用介绍boost::lockfree是boost1.53引入的无锁数据结构，包括boost::lockfree::stack、boost::lockfree::queue和boost::lockfree::spsc_queue三种，前两种用于多生产者/多消费者场景，第三个用于单生产者/单消费者场景，下面对它们的使用进行详细介绍，以boost::lockfree::stack为例，其他类似。构造boo…

    全栈程序员-用户IM 全栈程序员-用户IM
    2022年7月19日
  • java socket通讯中文乱码问题

    java socket通讯中文乱码问题

    java socket通讯中文乱码问题话不多说上代码publicvoidrun(){//客户端一连接就可以写数据给服务器了newsendMessThread().start();super.run();try{//读Sock里面的数据InputStreams=socket.getInputStream();byte[]buf=newbyte[1024];

    全栈程序员-用户IM 全栈程序员-用户IM
    2022年7月26日

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号