文档首页/ MapReduce服务 MRS/ 开发指南（普通版_3.x）/ Spark2x开发指南（普通模式）/ 开发Spark应用/ Spark Structured Streaming状态操作样例程序/ Spark Structured Streaming状态操作样例程序开发思路
更新时间：2024-08-05 GMT+08:00
查看PDF
分享

Spark Structured Streaming状态操作样例程序开发思路

场景说明

假设需要跨批次统计每个session期间发生了多少次event以及本session的开始和结束timestamp；

同时输出本批次被更新状态的session。

数据规划

  1. 在kafka中生成模拟数据（需要有Kafka权限用户）
  2. 确保集群安装完成，包括HDFS、Yarn、Spark2x和Kafka。
  3. 创建Topic。

    {zkQuorum}表示ZooKeeper集群信息，格式为IP:port。

    $KAFKA_HOME/bin/kafka-topics.sh --create --zookeeper {zkQuorum}/kafka --replication-factor 1 --partitions 1 --topic {Topic}

  4. 启动Kafka的Producer，向Kafka发送数据。

    {ClassPath}表示工程jar包的存放路径，详细路径由用户指定，可参考在Linux环境中编包并运行Spark程序章节中导出jar包的操作步骤。

    java -cp $SPARK_HOME/conf:$SPARK_HOME/jars/*:$SPARK_HOME/jars/streamingClient010/*:{ClassPath} com.huawei.bigdata.spark.examples.KafkaProducer {brokerlist} {topic} {number of events produce every 0.02s}

    示例：

    java -cp /opt/client/Spark2x/spark/conf:/opt/StructuredStreamingState-1.0.jar:/opt/client/Spark2x/spark/jars/*:/opt/client/Spark2x/spark/jars/streamingClient010/* com.huawei.bigdata.spark.examples.KafkaProducer xxx.xxx.xxx.xxx:21005,xxx.xxx.xxx.xxx:21005,xxx.xxx.xxx.xxx:21005 mytopic 10

开发思路

  1. 接收Kafka中数据，生成相应DataStreamReader。
  2. 进行分类统计。
  3. 计算结果，并进行打印。

打包项目

  • 通过IDEA自带的Maven工具，打包项目，生成jar包
  • 将打包生成的jar包上传到Spark客户端所在服务器的任意目录（例如“ /opt” ）下。

运行任务

在运行样例程序时需要指定 <brokers> <subscribe-type> <topic> <checkpointLocation>。

  • <brokers>指获取元数据的Kafka地址。
  • <subscribe-type> 指定kakfa的消费方式。
  • <topic>指要消费的kafka topic。
  • <checkpointLocation> 指spark任务的checkpoint保存HDFS路径下。

由于Spark Structured Streaming Kafka的依赖包在客户端的存放路径与其他依赖包不同，如其他依赖包路径为“$SPARK_HOME/jars”，而Spark Streaming Structured Kafka依赖包路径为“$SPARK_HOME/jars/streamingClient010”。所以在运行应用程序时，需要在spark-submit命令中添加配置项，指定Spark Streaming Kafka的依赖包路径，如--jars $(files=($SPARK_HOME/jars/streamingClient010/*.jar); IFS=,; echo "${files[*]}")

进入Spark客户端目录，调用bin/spark-submit脚本运行代码，运行命令如下（类名与文件名等请与实际代码保持一致，此处仅为示例）：

  • bin/spark-submit --master yarn --deploy-mode client --jars $(files=($SPARK_HOME/jars/streamingClient010/*.jar); IFS=,; echo "${files[*]}") --class com.huawei.bigdata.spark.examples.kafkaSessionization /opt/StructuredStreamingState-1.0.jar <brokers> <subscribe-type> <topic> <checkpointLocation>

    用户提交结构流任务时，通常需要通过--jars命令指定kafka相关jar包的路径，当前版本用户除了这一步外还需要将$SPARK_HOME/jars/streamingClient010目录中的kafka-clients jar包复制到$SPARK_HOME/jars目录下，否则会报class not found异常。