1. 全栈程序员必看首页

Spark Streaming Join

全栈程序员-用户IM • • 未分类

Spark Streaming Join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/147405.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

  • Navicat15的MAC的万能激活码_在线激活「建议收藏」 idea

    Navicat15的MAC的万能激活码_在线激活「建议收藏」

    (Navicat15的MAC的万能激活码)JetBrains旗下有多款编译器工具（如：IntelliJ、WebStorm、PyCharm等）在各编程领域几乎都占据了垄断地位。建立在开源IntelliJ平台之上，过去15年以来，JetBrains一直在不断发展和完善这个平台。这个平台可以针对您的开发工作流进行微调并且能够提供…

    全栈程序员-用户IM 全栈程序员-用户IM
    2022年3月25日
  • 淘宝“秒杀”脚本

    淘宝“秒杀”脚本

    淘宝“秒杀”脚本python+selenium实现，定时自动结算购物车，邮件提醒结果。说是秒杀脚本，但其实根本做不到毫秒级（看很多文章写毫秒级也是跪了）。自己在mac上实测，大约10s左右会收到邮件。用selenium秒杀是不要想了，用作自动提交订单，还算ok。整个流程比较简单，扫码登陆，跳转到购物车界面，不停刷新，等时间差不多到了，全选，提交订单，做个练手脚本，简单实用。通知截图：整个…

    全栈程序员-用户IM 全栈程序员-用户IM
    2022年6月6日
  • phpstorm2021永久激活 3月最新注册码 idea

    phpstorm2021永久激活 3月最新注册码

    phpstorm2021永久激活 3月最新注册码，https://javaforall.cn/100143.html。详细ieda激活码不妨到全栈程序员必看教程网一起来了解一下吧！

    全栈程序员-用户IM 全栈程序员-用户IM
    2022年3月15日
  • 带通滤波器中心频率怎么求_滤波器的带宽是什么

    带通滤波器中心频率怎么求_滤波器的带宽是什么

    带通滤波器中心频率怎么求_滤波器的带宽是什么qsj8362234发表于2012-9-2712:08你索性把你的代码发我把clc;closeall;clearall;fs=20000;%采样频率dt=1/fs;f1=1000;f2=2000;%两个信号的频率a=[1010101100];%信号，取整nn=length(a);g1=a;g2=~a;%信号反转和…

    全栈程序员-用户IM 全栈程序员-用户IM
    2022年9月5日
  • Java学习网站推荐

    Java学习网站推荐

    Java学习网站推荐学习Java不仅依靠自身的努力，还要多看一些相关技术文档，那么必不可少的就是学习Java的网站，本人整理收集一些Java学习网站，这些网站可以提供一些最新Java的资料，有时定期开设讲座等线下活动，而且里面的一些Java相关的问题以及讨论，不仅适用于Java小白程序员，而且还适用于一些Java大神，其实外网有很多比较专业的Java学习网站，但是鉴于为Java小白推荐网站，立足当下！！！所以推…

    全栈程序员-用户IM 全栈程序员-用户IM
    2022年5月14日
  • C# CultureInfo.InvariantCulture

    C# CultureInfo.InvariantCulture

    C# CultureInfo.InvariantCulture今天在写代码的过程中发现了一个有意思的问题，我在写了一个日期格式转化的时候发现不同电脑的运行结果不一致。代码如下stringstr=this.tbTime.Text;if(string.IsNullOrEmpty(this.tbTime.Text)){return;…

    全栈程序员-用户IM 全栈程序员-用户IM
    2022年6月19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