一、top3热门商品实时统计案例

1、概述

Spark Streaming最强大的地方在于，可以与Spark Core、Spark SQL整合使用，之前已经通过transform、foreachRDD等算子看到，如何将DStream中的RDD使用Spark Core执行批处理操作。现在就来看看，如何将DStream中的RDD与Spark SQL结合起来使用。案例：每隔10秒，统计最近60秒的，每个种类的每个商品的点击次数，然后统计出每个种类top3热门的商品。

2、java案例

package cn.spark.study.streaming;import java.util.ArrayList;import java.util.List;import org.apache.spark.SparkConf;import org.apache.spark.api.java.JavaPairRDD;import org.apache.spark.api.java.JavaRDD;import org.apache.spark.api.java.function.Function;import org.apache.spark.api.java.function.Function2;import org.apache.spark.api.java.function.PairFunction;import org.apache.spark.sql.DataFrame;import org.apache.spark.sql.Row;import org.apache.spark.sql.RowFactory;import org.apache.spark.sql.hive.HiveContext;import org.apache.spark.sql.types.DataTypes;import org.apache.spark.sql.types.StructField;import org.apache.spark.sql.types.StructType;import org.apache.spark.streaming.Durations;import org.apache.spark.streaming.api.java.JavaPairDStream;import org.apache.spark.streaming.api.java.JavaReceiverInputDStream;import org.apache.spark.streaming.api.java.JavaStreamingContext;import scala.Tuple2;/** * 与Spark SQL整合使用，top3热门商品实时统计 * @author Administrator * */public class Top3HotProduct {    public static void main(String[] args) {        SparkConf conf = new SparkConf()                .setMaster("local[2]")                .setAppName("Top3HotProduct");          JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(1));                // 首先看一下，输入日志的格式        // leo iphone mobile_phone                // 首先，获取输入数据流        // 这里顺带提一句，之前没有讲过，就是说，我们的Spark Streaming的案例为什么都是基于socket的呢？        // 因为方便啊。。。        // 其实，企业里面，真正最常用的，都是基于Kafka这种数据源        // 但是我觉得我们的练习，用socket也无妨，比较方便，而且一点也不影响学习        // 因为不同的输入来源的，不同之处，只是在创建输入DStream的那一点点代码        // 所以，核心是在于之后的Spark Streaming的实时计算        // 所以只要我们掌握了各个案例和功能的使用        // 在企业里，切换到Kafka，易如反掌，因为我们之前都详细讲过，而且实验过，实战编码过，将Kafka作为        // 数据源的两种方式了                // 获取输入数据流        JavaReceiverInputDStream
     
       productClickLogsDStream = jssc.socketTextStream("spark1", 9999);                // 然后，应该是做一个映射，将每个种类的每个商品，映射为(category_product, 1)的这种格式        // 从而在后面可以使用window操作，对窗口中的这种格式的数据，进行reduceByKey操作        // 从而统计出来，一个窗口中的每个种类的每个商品的，点击次数        JavaPairDStream
      
        categoryProductPairsDStream = productClickLogsDStream                .mapToPair(new PairFunction
       
        () {                    private static final long serialVersionUID = 1L;                    @Override                    public Tuple2
        
          call(String productClickLog)                            throws Exception {                        String[] productClickLogSplited = productClickLog.split(" ");                         return new Tuple2
         
          (productClickLogSplited[2] + "_" +                                 productClickLogSplited[1], 1);                    }                                    });                // 然后执行window操作        // 到这里，就可以做到，每隔10秒钟，对最近60秒的数据，执行reduceByKey操作        // 计算出来这60秒内，每个种类的每个商品的点击次数        JavaPairDStream
          
            categoryProductCountsDStream = categoryProductPairsDStream.reduceByKeyAndWindow( new Function2
           
            () { private static final long serialVersionUID = 1L; @Override public Integer call(Integer v1, Integer v2) throws Exception { return v1 + v2; } }, Durations.seconds(60), Durations.seconds(10)); // 然后针对60秒内的每个种类的每个商品的点击次数 // foreachRDD，在内部，使用Spark SQL执行top3热门商品的统计 categoryProductCountsDStream.foreachRDD(new Function
            
             
              , Void>() { private static final long serialVersionUID = 1L; @Override public Void call(JavaPairRDD
              
                categoryProductCountsRDD) throws Exception { // 将该RDD，转换为JavaRDD
               
                的格式 JavaRDD
                
                  categoryProductCountRowRDD = categoryProductCountsRDD.map( new Function
                 
                  
                   , Row>() { private static final long serialVersionUID = 1L; @Override public Row call(Tuple2
                   
                     categoryProductCount) throws Exception { String category = categoryProductCount._1.split("_")[0]; String product = categoryProductCount._1.split("_")[1]; Integer count = categoryProductCount._2; return RowFactory.create(category, product, count); } }); // 然后，执行DataFrame转换 List
                    
                      structFields = new ArrayList
                     
                      (); structFields.add(DataTypes.createStructField("category", DataTypes.StringType, true)); structFields.add(DataTypes.createStructField("product", DataTypes.StringType, true)); structFields.add(DataTypes.createStructField("click_count", DataTypes.IntegerType, true)); StructType structType = DataTypes.createStructType(structFields); HiveContext hiveContext = new HiveContext(categoryProductCountsRDD.context()); DataFrame categoryProductCountDF = hiveContext.createDataFrame( categoryProductCountRowRDD, structType); // 将60秒内的每个种类的每个商品的点击次数的数据，注册为一个临时表 categoryProductCountDF.registerTempTable("product_click_log"); // 执行SQL语句，针对临时表，统计出来每个种类下，点击次数排名前3的热门商品 DataFrame top3ProductDF = hiveContext.sql( "SELECT category,product,click_count " + "FROM (" + "SELECT " + "category," + "product," + "click_count," + "row_number() OVER (PARTITION BY category ORDER BY click_count DESC) rank " + "FROM product_click_log" + ") tmp " + "WHERE rank<=3"); // 这里说明一下，其实在企业场景中，可以不是打印的 // 案例说，应该将数据保存到redis缓存、或者是mysql db中 // 然后，应该配合一个J2EE系统，进行数据的展示和查询、图形报表 top3ProductDF.show(); return null; } }); jssc.start(); jssc.awaitTermination(); jssc.close(); } }
                     
                    
                   
                  
                 
                
               
              
             
            
           
          
         
        
       
      
     

3、scala案例

package cn.spark.study.streamingimport org.apache.spark.SparkConfimport org.apache.spark.streaming.StreamingContextimport org.apache.spark.streaming.Secondsimport org.apache.spark.sql.Rowimport org.apache.spark.sql.types.StructTypeimport org.apache.spark.sql.types.StructFieldimport org.apache.spark.sql.types.StringTypeimport org.apache.spark.sql.types.IntegerTypeimport org.apache.spark.sql.hive.HiveContext/** * @author Administrator */object Top3HotProduct {    def main(args: Array[String]): Unit = {    val conf = new SparkConf()        .setMaster("local[2]")          .setAppName("Top3HotProduct")    val ssc = new StreamingContext(conf, Seconds(1))        val productClickLogsDStream = ssc.socketTextStream("spark1", 9999)      val categoryProductPairsDStream = productClickLogsDStream        .map { productClickLog => (productClickLog.split(" ")(2) + "_" + productClickLog.split(" ")(1), 1)}    val categoryProductCountsDStream = categoryProductPairsDStream.reduceByKeyAndWindow(        (v1: Int, v2: Int) => v1 + v2,         Seconds(60),         Seconds(10))          categoryProductCountsDStream.foreachRDD(categoryProductCountsRDD => {      val categoryProductCountRowRDD = categoryProductCountsRDD.map(tuple => {        val category = tuple._1.split("_")(0)        val product = tuple._1.split("_")(1)          val count = tuple._2        Row(category, product, count)        })            val structType = StructType(Array(          StructField("category", StringType, true),          StructField("product", StringType, true),          StructField("click_count", IntegerType, true)))                val hiveContext = new HiveContext(categoryProductCountsRDD.context)            val categoryProductCountDF = hiveContext.createDataFrame(categoryProductCountRowRDD, structType)              categoryProductCountDF.registerTempTable("product_click_log")              val top3ProductDF = hiveContext.sql(            "SELECT category,product,click_count "            + "FROM ("              + "SELECT "                + "category,"                + "product,"                + "click_count,"                + "row_number() OVER (PARTITION BY category ORDER BY click_count DESC) rank "              + "FROM product_click_log"              + ") tmp "            + "WHERE rank<=3")                  top3ProductDF.show()    })        ssc.start()    ssc.awaitTermination()  }  }