大数据分析与应用实验任务十一

大数据分析与应用实验任务十一

实验目的

• 通过实验掌握spark Streaming相关对象的创建方法；

• 熟悉spark Streaming对文件流、套接字流和RDD队列流的数据接收处理方法；

• 熟悉spark Streaming的转换操作，包括无状态和有状态转换。

• 熟悉spark Streaming输出编程操作。

实验任务

一、DStream 操作概述

1. 创建 StreamingContext 对象

   登录 Linux 系统后，启动 pyspark。进入 pyspark 以后，就已经获得了一个默认的 SparkConext 对象，也就是 sc。因此，可以采用如下方式来创建 StreamingContext 对象：

   from pyspark.streaming import StreamingContext 
   sscluozhongye = StreamingContext(sc, 1)

   

   如果是编写一个独立的 Spark Streaming 程序，而不是在 pyspark 中运行，则需要在代码文件中通过类似如下的方式创建 StreamingContext 对象：

   from pyspark import SparkContext, SparkConf 
   from pyspark.streaming import StreamingContext 
   conf = SparkConf() 
   conf.setAppName('TestDStream') 
   conf.setMaster('local[2]') 
   sc = SparkContext(conf = conf) 
   ssc = StreamingContext(sc, 1)
   print("创建成功,lzy防伪")

   

二、基本输入源

1. 文件流

• 在 pyspark 中创建文件流

  首先，在 Linux 系统中打开第 1 个终端（为了便于区分多个终端，这里记作"数据源终端"），创建一个 logfile 目录，命令如下：

  cd /root/Desktop/luozhongye/
  mkdir streaming 
  cd streaming 
  mkdir logfile

  

  其次，在 Linux 系统中打开第二个终端（记作"流计算终端"），启动进入 pyspark，然后，依次输入如下语句：

  from pyspark import SparkContext 
  from pyspark.streaming import StreamingContext 
  ssc = StreamingContext(sc, 10) 
  lines = ssc.textFileStream('file:///root/Desktop/luozhongye/streaming/logfile') 
  words = lines.flatMap(lambda line: line.split(' ')) 
  wordCounts = words.map(lambda x : (x,1)).reduceByKey(lambda a,b:a+b) 
  wordCounts.pprint() 
  ssc.start() 
  ssc.awaitTermination()

• 采用独立应用程序方式创建文件流

  #!/usr/bin/env python3 
  from pyspark import SparkContext, SparkConf 
  from pyspark.streaming import StreamingContext 
  conf = SparkConf() 
  conf.setAppName('TestDStream') 
  conf.setMaster('local[2]') 
  sc = SparkContext(conf = conf) 
  ssc = StreamingContext(sc, 10) 
  lines = ssc.textFileStream('file:///root/Desktop/luozhongye/streaming/logfile') 
  words = lines.flatMap(lambda line: line.split(' ')) 
  wordCounts = words.map(lambda x : (x,1)).reduceByKey(lambda a,b:a+b) 
  wordCounts.pprint() 
  ssc.start() 
  ssc.awaitTermination()
  print("2023年12月7日lzy")

  保存该文件，并执行以下命令：

  cd /root/Desktop/luozhongye/streaming/logfile/ 
  spark-submit FileStreaming.py

2. 套接字流

• 使用套接字流作为数据源

  新建一个代码文件"/root/Desktop/luozhongye/streaming/socket/NetworkWordCount.py"，在NetworkWordCount.py 中输入如下内容：

  #!/usr/bin/env python3 
  from __future__ import print_function
  import sys
  from pyspark import SparkContext
  from pyspark.streaming import StreamingContext
  
  if __name__ == "__main__":
  	if len(sys.argv) != 3:
  		print("Usage: NetworkWordCount.py <hostname> <port>", file=sys.stderr)
  		exit(-1)
  	sc = SparkContext(appName="PythonStreamingNetworkWordCount")
  	ssc = StreamingContext(sc, 1)
  	lines = ssc.socketTextStream(sys.argv[1], int(sys.argv[2]))
  	counts = lines.flatMap(lambda line: line.split(" ")).map(lambda word: (word, 1)).reduceByKey(lambda a, b: a + b)
  	counts.pprint()
  	ssc.start()
  	ssc.awaitTermination()

  使用如下 nc 命令生成一个 Socket 服务器端：

  nc -lk 9999

  新建一个终端（记作"流计算终端"），执行如下代码启动流计算：

  cd /root/Desktop/luozhongye/streaming/socket 
  /usr/local/spark/bin/spark-submit NetworkWordCount.py localhost 9999

• 使用 Socket 编程实现自定义数据源

  新建一个代码文件"/root/Desktop/luozhongye/streaming/socket/DataSourceSocket.py"，在 DataSourceSocket.py 中输入如下代码：

  #!/usr/bin/env python3 
  import socket
  
  # 生成 socket 对象
  server = socket.socket()
  # 绑定 ip 和端口
  server.bind(('localhost', 9999))
  # 监听绑定的端口
  server.listen(1)
  while 1:
  	# 为了方便识别，打印一个"I'm waiting the connect..."
  	print("I'm waiting the connect...")
  	# 这里用两个值接收，因为连接上之后使用的是客户端发来请求的这个实例
  	# 所以下面的传输要使用 conn 实例操作
  	conn, addr = server.accept()
  	# 打印连接成功
  	print("Connect success! Connection is from %s " % addr[0])
  	# 打印正在发送数据
  	print('Sending data...')
  	conn.send('I love hadoop I love spark hadoop is good spark is fast'.encode())
  	conn.close()
  	print('Connection is broken.')
  print("2023年12月7日lzy")

  执行如下命令启动 Socket 服务器端：

  cd /root/Desktop/luozhongye/streaming/socket 
  /usr/local/spark/bin/spark-submit DataSourceSocket.py

  新建一个终端（记作"流计算终端"），输入以下命令启动 NetworkWordCount 程序：

  cd /root/Desktop/luozhongye/streaming/socket 
  /usr/local/spark/bin/spark-submit NetworkWordCount.py localhost 9999

3. RDD 队列流

   Linux 系统中打开一个终端，新建一个代码文件"/root/Desktop/luozhongye/ streaming/rddqueue/ RDDQueueStream.py"，输入以下代码：

   #!/usr/bin/env python3 
   import time
   from pyspark import SparkContext
   from pyspark.streaming import StreamingContext
   
   if __name__ == "__main__":
       print("")
   	sc = SparkContext(appName="PythonStreamingQueueStream")
   	ssc = StreamingContext(sc, 2)
   	# 创建一个队列，通过该队列可以把 RDD 推给一个 RDD 队列流
   	rddQueue = []
   	for i in range(5):
   		rddQueue += [ssc.sparkContext.parallelize([j for j in range(1, 1001)], 10)]
   	time.sleep(1)
   	# 创建一个 RDD 队列流
   	inputStream = ssc.queueStream(rddQueue)
   	mappedStream = inputStream.map(lambda x: (x % 10, 1))
   	reducedStream = mappedStream.reduceByKey(lambda a, b: a + b)
   	reducedStream.pprint()
   	ssc.start()
   	ssc.stop(stopSparkContext=True, stopGraceFully=True)

   下面执行如下命令运行该程序：

   cd /root/Desktop/luozhongye/streaming/rddqueue 
   /usr/local/spark/bin/spark-submit RDDQueueStream.py

三、转换操作

1. 滑动窗口转换操作

   对"套接字流"中的代码 NetworkWordCount.py 进行一个小的修改，得到新的代码文件"/root/Desktop/luozhongye/streaming/socket/WindowedNetworkWordCount.py"，其内容如下：

   #!/usr/bin/env python3 
   from __future__ import print_function
   import sys
   from pyspark import SparkContext
   from pyspark.streaming import StreamingContext
   
   if __name__ == "__main__":
   	if len(sys.argv) != 3:
   		print("Usage: WindowedNetworkWordCount.py <hostname> <port>", file=sys.stderr)
   		exit(-1)
   	sc = SparkContext(appName="PythonStreamingWindowedNetworkWordCount")
   	ssc = StreamingContext(sc, 10)
   	ssc.checkpoint("file:///root/Desktop/luozhongye/streaming/socket/checkpoint")
   	lines = ssc.socketTextStream(sys.argv[1], int(sys.argv[2]))
   	counts = lines.flatMap(lambda line: line.split(" ")) \
   		.map(lambda word: (word, 1)) \
   		.reduceByKeyAndWindow(lambda x, y: x + y, lambda x, y: x - y, 30, 10)
   	counts.pprint()
   	ssc.start()
   	ssc.awaitTermination()

为了测试程序的运行效果，首先新建一个终端（记作"数据源终端"），执行如下命令运行nc 程序：

   cd /root/Desktop/luozhongye/streaming/socket/ 
   nc -lk 9999

然后，再新建一个终端（记作"流计算终端"），运行客户端程序 WindowedNetworkWordCount.py，命令如下：

   cd /root/Desktop/luozhongye/streaming/socket/ 
   /usr/local/spark/bin/spark-submit WindowedNetworkWordCount.py localhost 9999

在数据源终端内，连续输入 10 个"hadoop"，每个 hadoop 单独占一行（即每输入一个 hadoop就按回车键），再连续输入 10 个"spark"，每个 spark 单独占一行。这时，可以查看流计算终端内显示的词频动态统计结果，可以看到，随着时间的流逝，词频统计结果会发生动态变化。

2. updateStateByKey 操作

   在"/root/Desktop/luozhongye/streaming/stateful/"目录下新建一个代码文件 NetworkWordCountStateful.py，输入以下代码：

   #!/usr/bin/env python3 
   from __future__ import print_function
   import sys
   from pyspark import SparkContext
   from pyspark.streaming import StreamingContext
   
   if __name__ == "__main__":
   	if len(sys.argv) != 3:
   		print("Usage: NetworkWordCountStateful.py <hostname> <port>", file=sys.stderr)
   		exit(-1)
   	sc = SparkContext(appName="PythonStreamingStatefulNetworkWordCount")
   	ssc = StreamingContext(sc, 1)
   	ssc.checkpoint("file:///root/Desktop/luozhongye/streaming/stateful/")
   	# RDD with initial state (key, value) pairs
   	initialStateRDD = sc.parallelize([(u'hello', 1), (u'world', 1)])
   
   
   	def updateFunc(new_values, last_sum):
   		return sum(new_values) + (last_sum or 0)
   
   
   	lines = ssc.socketTextStream(sys.argv[1], int(sys.argv[2]))
   	running_counts = lines.flatMap(lambda line: line.split(" ")) \
   		.map(lambda word: (word, 1)) \
   		.updateStateByKey(updateFunc, initialRDD=initialStateRDD)
   	running_counts.pprint()
   	ssc.start()
   	ssc.awaitTermination()

   新建一个终端（记作"数据源终端"），执行如下命令启动 nc 程序：

   nc -lk 9999

   新建一个 Linux 终端（记作"流计算终端"），执行如下命令提交运行程序：

   cd /root/Desktop/luozhongye/streaming/stateful 
   /usr/local/spark/bin/spark-submit NetworkWordCountStateful.py localhost 9999

四、把 DStream 输出到文本文件中

下面对之前已经得到的"/root/Desktop/luozhongye/streaming/stateful/NetworkWordCountStateful.py"代码进行简单的修改，把生成的词频统计结果写入文本文件中。

修改后得到的新代码文件"/root/Desktop/luozhongye/streaming/stateful/NetworkWordCountStatefulText.py"的内容如下：

#!/usr/bin/env python3 
from __future__ import print_function
import sys
from pyspark import SparkContext
from pyspark.streaming import StreamingContext

if __name__ == "__main__":
	if len(sys.argv) != 3:
		print("Usage: NetworkWordCountStateful.py <hostname> <port>", file=
		sys.stderr)
		exit(-1)
	sc = SparkContext(appName="PythonStreamingStatefulNetworkWordCount")
	ssc = StreamingContext(sc, 1)
	ssc.checkpoint("file:///root/Desktop/luozhongye/streaming/stateful/")
	# RDD with initial state (key, value) pairs 
	initialStateRDD = sc.parallelize([(u'hello', 1), (u'world', 1)])


	def updateFunc(new_values, last_sum):
		return sum(new_values) + (last_sum or 0)


	lines = ssc.socketTextStream(sys.argv[1], int(sys.argv[2]))
	running_counts = lines.flatMap(lambda line: line.split(" ")) \
		.map(lambda word: (word, 1)) \
		.updateStateByKey(updateFunc, initialRDD=initialStateRDD)
	running_counts.saveAsTextFiles("file:///root/Desktop/luozhongye/streaming/stateful/output")
	running_counts.pprint()
	ssc.start()
	ssc.awaitTermination()

新建一个终端（记作"数据源终端"），执行如下命令运行nc 程序：

cd /root/Desktop/luozhongye/streaming/socket/ 
nc -lk 9999

新建一个 Linux 终端（记作"流计算终端"），执行如下命令提交运行程序：

cd /root/Desktop/luozhongye/streaming/stateful 
/usr/local/spark/bin/spark-submit NetworkWordCountStatefulText.py localhost 9999

实验心得

通过本次实验，我深入理解了Spark Streaming，包括创建StreamingContext、DStream等对象。同时，我了解了Spark Streaming对不同类型数据流的处理方式，如文件流、套接字流和RDD队列流。此外，我还熟悉了Spark Streaming的转换操作和输出编程操作，并掌握了map、flatMap、filter等方法。最后，我能够自定义输出方式和格式。总之，这次实验让我全面了解了Spark Streaming，对未来的学习和工作有很大的帮助。