今天我们主要来说一下spark中reduceByKeyAndWindow窗口函数的使用方法;
先看一下官网的图片吧:
这个是sparkstreaming提供的窗口计算,允许你在一个滑动的窗口中进行计算,所有这些窗口操作都需要两个参数 - windowLength和slideInterval。(窗口长度 - 窗口的持续时间,滑动间隔 - 执行窗口操作的间隔)
比如说我们现在要每隔2秒,统计前3秒内每一个单词出现的次数,这个时候就需要用这个窗口函数了;
一般我们可以这么写:reduceByKeyAndWindow(_+_,Seconds(3), Seconds(2)),每隔2秒(后面的2秒),统计前3秒的数据(前面的3秒),但是这个时候会有一个问题,当slideInterval>windowLength的时候,从图中可以看到time3会被计算2次,也就是说两个统计的部分会有重复,那这个怎么解决呢?不用急, 我们可以用reduceByKeyAndWindow的另一个重载的方法reduceByKeyAndWindow(_+_,_-_,Seconds(3s),seconds(2)).这个方法的意思,我们可以不用重新获取或者计算,而是通过获取旧信息来更新新的信息,这样即节省了空间又节省了内容,并且效率也大幅提升.下面我们看一下该方法的源码;
那么上图中的计算就变成了:
win1 = time1 + time2 + time3 win2 = win1 + time4 + time5 - time1 - time2
我们再来看一下reduceByKeyAndWindow的源码:可以看出它需要两个函数,一个是计算新产生数据,一个是计算过时的数据
def reduceByKeyAndWindow(
reduceFunc: (V, V) => V,
invReduceFunc: (V, V) => V,
windowDuration: Duration,
slideDuration: Duration = self.slideDuration,
numPartitions: Int = ssc.sc.defaultParallelism,
filterFunc: ((K, V)) => Boolean = null
): DStream[(K, V)] = ssc.withScope {
reduceByKeyAndWindow(
reduceFunc, invReduceFunc, windowDuration,
slideDuration, defaultPartitioner(numPartitions), filterFunc
)
}
_+_是对新产生的时间分片(time4,time5内RDD)进行统计,而_-_是对上一个窗口中,过时的时间分片(time1,time2) 进行统计
下面看一下我写的一个demo:
package spark
import kafka.PropertiesScalaUtils
import org.apache.kafka.common.serialization.StringDeserializer
import org.apache.log4j.{Level, Logger}
import org.apache.spark.SparkConf
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.streaming.kafka010.{ConsumerStrategies, KafkaUtils, LocationStrategies}
/**
* sparkstreaming reduceByKeyAndWindow 窗口的使用;
*/
object windowFunction {
def main(args: Array[String]): Unit = {
Logger.getLogger("org.apache.spark").setLevel(Level.ERROR)
Logger.getLogger("org.eclipse.jetty.server").setLevel(Level.ERROR)
Logger.getLogger("org.apache.kafka.clients.consumer").setLevel(Level.ERROR)
val conf = new SparkConf().setAppName("Spark Streaming Jason")
conf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
@transient
val scc = new StreamingContext(conf, Seconds(1))
scc.checkpoint("/home/jason/test")
val topic = PropertiesScalaUtils.loadProperties("topic_combine")
val topicSet = Set(topic)
val kafkaParams = Map[String, Object](
"auto.offset.reset" -> "latest", //latest;earliest
"value.deserializer" -> classOf[StringDeserializer]
, "key.deserializer" -> classOf[StringDeserializer]
, "bootstrap.servers" -> PropertiesScalaUtils.loadProperties("broker")
, "group.id" -> PropertiesScalaUtils.loadProperties("groupId")
, "enable.auto.commit" -> (true: java.lang.Boolean)
)
val kafkaStreams = KafkaUtils.createDirectStream[String, String](
scc,
LocationStrategies.PreferConsistent,
ConsumerStrategies.Subscribe[String, String](topicSet, kafkaParams)).map(_.value())
val word = kafkaStreams.flatMap(_.split(" ")).map((_,1))
val window_word = word.reduceByKeyAndWindow(_+_,_-_ ,Seconds(3),Seconds(2))
window_word.foreachRDD(rdd=>{
if(!rdd.isEmpty()){
rdd.foreachPartition(partition=>{
partition.foreach(pair=>{
println(pair._1 + "----------" + pair._2)
})
})
}
})
scc.start()
scc.awaitTermination()
}
}
如果有写的不对的地方,欢迎大家指正,如果有什么疑问,可以加QQ群:340297350,谢谢