spark版本定制十八：Spark Streaming中空RDD处理及流处理程序优雅的中止

本期内容：

一、Spark Streaming中RDD的空处理

二、StreamingContext程序的中止

1、Spark Streaming中RDD的空处理

案例代码：

 

Scala代码：

 

package com.dt.spark.sparkstreaming

import org.apache.spark.SparkConf
import org.apache.spark.streaming.{Seconds, StreamingContext}

/**

 * 使用Scala开发集群运行的Spark Streaming的foreachRDD把处理后的数据写入外部存储系统中

 *

 * 
 * 背景描述：在广告点击计费系统中，咱们在线过滤掉黑名单的点击，进而保护广告商的利益，只进行有效的广告点击计费
 *               或者在防刷评分（或者流量）系统，过滤掉无效的投票或者评分或者流量；
 * 实现技术：使用transform Api直接基于RDD编程，进行join操做
  *
  */
object OnlineForeachRDD2DB {
     def main(args: Array[String]){

       val conf =  new SparkConf() //建立SparkConf对象
      conf.setAppName( "OnlineWordcount") //设置应用程序的名称，在程序运行的监控界面能够看到名称
      conf.setMaster( "spark://Master:7077") //此时，程序在Spark集群
      /**
        * 设置batchDuration时间间隔来控制Job生成的频率而且建立Spark Streaming执行的入口
         */
       val ssc =  new StreamingContext(conf, Seconds(300))
     
       val lines = ssc.socketTextStream( "Master", 9999)

       val words = lines.flatMap(line => line.split( " "))

       val wordCounts = words.map(word => (word,1)).reduceByKey(_ + _)

      wordCounts.foreachRDD{ rdd =>

        /**
        * 例如：rdd为空，rdd为空会产生什么问题呢？
          *     rdd没有任何元素，可是也会作作foreachPartition，也会进行写数据库的操做或者把数据写到HDFS上，
          *         rdd里面没有任何记录，可是还会获取计算资源，而后计算一下，消耗计算资源，这个时候纯属浪费资源，
          *         因此必须对空rdd进行处理；
          *

        *         例如：使用rdd.count()>0，可是rdd.count()会触发一个Job；

          *             使用rdd.isEmpty()的时候，take也会触发Job；

          *             def isEmpty(): Boolean = withScope {

        *                   partitions.length == 0 || take(1).length == 0

        *             }

        *
        *              rdd.partitions.isEmpty里判断的是length是否等于0，就表明是否有partition
        *              def isEmpty: Boolean = { length == 0 }
        *
        *
        *             注：rdd.isEmpty()和rdd.partitions.isEmpty是两种概念；
          */

       rdd.partitions.isEmpty
     if(rdd.isEmpty()) {
        rdd.foreachPartition{ partitonOfRecord =>
           val connection = ConnectionPool.getConnection()
          partitonOfRecord.foreach(record => {
             val sql =  "insert into streaming_itemcount(item,rcount) values('" + record._1 +  "'," + record._2 +  ")"
             val stmt = connection.createStatement()
            stmt.executeUpdate(sql)
            stmt.close()
          })
          ConnectionPool.returnConnection(connection)
        }}
      }

 

     ssc.start()
      ssc.awaitTermination()
    }
}

 

2、StreamingContext程序的中止

第一种中止方式是无论接受到数据是否处理完成，直接被中止掉，第二种方式是接受到数据所有处理完成才中止掉，通常采用第二种方式。

 

第一种中止方式：

 

/**
 * Stop the execution of the streams immediately (does not wait for all received data
 * to be processed). By default, if ` stopSparkContext`  is not specified, the underlying
 * SparkContext will also be stopped. This implicit behavior can be configured using the
 * SparkConf configuration spark.streaming.stopSparkContextByDefault.
 *
 * 把streams的执行直接中止掉(并不会等待全部接受到的数据处理完成)，默认状况下SparkContext也会被中止掉，
 * 隐式的行为能够作配置，配置参数为spark.streaming.stopSparkContextByDefault。
  *
 * @param stopSparkContext  If true, stops the associated SparkContext. The underlying SparkContext
 *                         will be stopped regardless of whether this StreamingContext has been
 *                         started.
 */
def stop(
         stopSparkContext: Boolean = conf.getBoolean( "spark.streaming.stopSparkContextByDefault",  true)
        ): Unit = synchronized {
 stop(stopSparkContext,  false)

}

 

 

第二种中止方式：

 

/**
 * Stop the execution of the streams, with option of ensuring all received data
 * has been processed.
 *

 * 全部接受到的数据所有被处理完成，才把streams的执行中止掉

  *
 * @param stopSparkContext  if true, stops the associated SparkContext. The underlying SparkContext
 *                         will be stopped regardless of whether this StreamingContext has been
 *                         started.
 * @param stopGracefully  if true, stops gracefully by waiting for the processing of all
 *                       received data to be completed
 */
def stop(stopSparkContext: Boolean, stopGracefully: Boolean): Unit = {
  var shutdownHookRefToRemove: AnyRef =  null
 if (AsynchronousListenerBus.withinListenerThread.value) {
   throw new SparkException( "Cannot stop StreamingContext within listener thread of" +
    " AsynchronousListenerBus")
 }
 synchronized {
   try {
   state  match {
     case INITIALIZED =>
     logWarning( "StreamingContext has not been started yet")
     case STOPPED =>
     logWarning( "StreamingContext has already been stopped")
     case ACTIVE =>
     scheduler.stop(stopGracefully)
      // Removing the streamingSource to de-register the metrics on stop()
     env.metricsSystem.removeSource(streamingSource)
     uiTab.foreach(_.detach())
     StreamingContext.setActiveContext( null)
     waiter.notifyStop()
      if (shutdownHookRef !=  null) {
      shutdownHookRefToRemove = shutdownHookRef
      shutdownHookRef =  null
     }
     logInfo( "StreamingContext stopped successfully")
   }
  }  finally {
    // The state should always be Stopped after calling `stop()`, even if we haven't started yet
   state = STOPPED
  }
 }
  if (shutdownHookRefToRemove !=  null) {
  ShutdownHookManager.removeShutdownHook(shutdownHookRefToRemove)
 }
  // Even if we have already stopped, we still need to attempt to stop the SparkContext because
 // a user might stop(stopSparkContext = false) and then call stop(stopSparkContext = true).
  if (stopSparkContext) sc.stop()
}

 

特别感谢王家林老师的独具一格的讲解：

王家林老师名片：

中国Spark第一人

新浪微博：http://weibo.com/ilovepains

微信公众号：DT_Spark

博客：http://blog.sina.com.cn/ilovepains

QQ：1740415547

YY课堂：天天20:00现场授课频道68917580