基于HDFS文件的实时计算,其实就是,监控一个HDFS目录,只要其中有新文件出现,就实时处理。相当于处理实时的文件流。
streamingContext.fileStream<KeyClass, ValueClass, InputFormatClass>(dataDirectory)
streamingContext.fileStream[KeyClass, ValueClass, InputFormatClass](dataDirectory)
Spark Streaming会监视指定的HDFS目录,并且处理出现在目录中的文件。要注意的是,所有放入HDFS目录中的文件,都必须有相同的格式;必须使用移动或者重命名的方式,将文件移入目录;一旦处理之后,文件的内容即使改变,也不会再处理了;基于HDFS文件的数据源是没有Receiver的,因此不会占用一个cpu core。
案例:监控hdfs上/testdata/hadoop目录下当有新文件上传就会统计出结果
object HDFSWordCountDemo { def main(args: Array[String]): Unit = { Logger.getLogger("org").setLevel(Level.WARN) //local[2]这里必须是2个或2个以上的线程,一个负责接收数据,一个负责将接收的数据下发到worker上执行 val config = new SparkConf().setAppName("HDFSWordCountDemo")//.setMaster("local[2]")//打包上传到集群上运行,在Windows上测试没收到信息 val sc = new SparkContext(config) //Seconds两秒产生一个RDD val ssc = new StreamingContext(sc, Seconds(2)) val fileDstream = ssc.textFileStream("hdfs://hadoop01:8020/testdata/hadoop") fileDstream.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _).print() ssc.start() ssc.awaitTermination() } } //shell脚本代码 /home/kitty/opt/spark/bin/spark-submit \ --class day18.HDFSWordCountDemo \ --master spark://hadoop01:7077 \ --driver-memory 512M \ --executor-memory 512M \ --total-executor-cores 2 \ /home/kitty/mytmp/scala-1.0-SNAPSHOT.jar