在之前學習的RDD和DataFrame數據集主要處理的是離線數據，隨著時代發展進步，我們會發現越來越多數據是在源源不斷發回到數據中心，同時需要立刻響應給用戶，這樣的情況我們就會用到實時處理，常用的場景有實時顯示某商場一小時人流密度、實時顯示當天火車站人口總數等等。接下來從實時數據源說起，實時數據源主要有：

• File Source
• Socket Source
• Flume Source
• Kafka Source

File Source指的是文件作為數據來源，常用的有本地文件file和分布式系統hdfs，這邊以本地文件來說明，實現代碼如下

            
              from pyspark import SparkContext
from pyspark.streaming import StreamingContext

if __name__ == '__main__':
    sc = SparkContext(appName="inputSourceStreaming", master="local[*]")
    # 第二個參數指統計多長時間的數據
    ssc = StreamingContext(sc, 5)

    lines = ssc.textFileStream("file:///home/llh/data/streaming")
    counts = lines.flatMap(lambda line: line.split(" ")).map(lambda x: (x, 1)).reduceByKey(lambda a,b: a+b)
    counts.pprint()
    # -------------------------------------------
    # Time: 2019-07-31 18:11:55
    # -------------------------------------------
    # ('hong', 2)
    # ('zhang', 2)
    # ('li', 2)
    # ('san', 2)
    # ('wang', 2)
    ssc.start()
    ssc.awaitTermination()
            
          

然后不斷向/home/llh/data/streaming/目錄下拷貝文件，結果如上面注釋所示

Socket Source指網絡套接字作為數據來源，用命令nc模擬網絡發送信息，實現代碼如下

            
              from pyspark import SparkContext
from pyspark.streaming import StreamingContext

if __name__ == '__main__':
    sc = SparkContext(appName="inputSourceStreaming", master="local[*]")
    # 第二個參數指統計多長時間的數據
    ssc = StreamingContext(sc, 5)

    lines = ssc.socketTextStream("localhost", 9999)
    counts = lines.flatMap(lambda line: line.split(" ")).map(lambda x: (x, 1)).reduceByKey(lambda a,b: a+b)
    counts.pprint()
    # -------------------------------------------
    # Time: 2019-07-31 18: 43:25
    # -------------------------------------------
    # ('hadoop', 1)
    # ('spark', 1)
    ssc.start()
    ssc.awaitTermination()
            
          

命令端執行~$ nc -lk 9999

hadoop spark

之后運行代碼即可

Flume是一個高可用海量收集日志系統，因此可作為數據來源，實現代碼如下

            
              from pyspark import SparkContext
from pyspark.streaming import StreamingContext
from pyspark.streaming.flume import FlumeUtils

if __name__ == '__main__':
    sc = SparkContext(appName="inputSourceStreaming", master="local[*]")
    # 第二個參數指統計多長時間的數據
    ssc = StreamingContext(sc, 5)

    lines = FlumeUtils.createStream("localhost", 34545)
    counts = lines.flatMap(lambda line: line.split(" ")).map(lambda x: (x, 1)).reduceByKey(lambda a,b: a+b)
    counts.pprint()

    ssc.start()
    ssc.awaitTermination()
            
          

Kafka是一款分布式消息隊列，常作為中間件用于傳輸，隔離，Kafka是以上四種里面實際開發最常用的流式數據來源，一樣實現代碼如下

            
              from pyspark import SparkContext
from pyspark.streaming import StreamingContext
from pyspark.streaming.kafka import KafkaUtils

if __name__ == '__main__':
    sc = SparkContext(appName="inputSourceStreaming", master="local[*]")
    # 第二個參數指統計多長時間的數據
    ssc = StreamingContext(sc, 5)

    kvs = KafkaUtils.createDirectStream(ssc, "topic-name", "localhost:9092")
    lines = kvs.map(lambda x: x[1])
    counts = lines.flatMap(lambda line: line.split(" ")).map(lambda x: (x, 1)).reduceByKey(lambda a,b: a+b)
    counts.pprint()

    ssc.start()
    ssc.awaitTermination()
            
          

好了，以上就是實時處理主要數據來源，第四種最為重要必須掌握。

?

Spark學習目錄：

• Spark學習實例1(Python)：單詞統計 Word Count
• Spark學習實例2(Python)：加載數據源Load Data Source
• Spark學習實例3(Python)：保存數據Save Data
• Spark學習實例4(Python)：RDD轉換 Transformations
• Spark學習實例5(Python)：RDD執行 Actions
• Spark學習實例6(Python)：共享變量Shared Variables
• Spark學習實例7(Python)：RDD、DataFrame、DataSet相互轉換
• Spark學習實例8(Python)：輸入源實時處理 Input Sources Streaming
• Spark學習實例9(Python)：窗口操作 Window Operations