Spark从入门到精通28：Spark Streaming简介

1.什么是Spark Streaming

Spark Streaming是在Spark Core API的基础上，实现的可扩展、高吞吐、可容错的实时数据流处理引擎。Spark Streaming的数据源可以从Kafka、Flume、Kinesis或TCP Socket等获得，并且可以使用由高级函数（如map、reduce、join、window等）开发的复杂算法进行流数据处理。最后，处理完的数据可以推送到文件系统、数据库或实时仪表盘等处存储和展示。甚至，Spark Streaming还提供了机器学习和图处理算法以供使用。

下图展示了Spark Streaming常见的数据来源和去向：

image

2.Spark Streaming的特点

下面是官网上给出的Spark Streaming的特点：http://spark.apache.org/docs/latest/streaming-programming-guide.html

image

1. 易用：使用高级算子构造应用。Spark Streaming扩展了Spark Core API来处理流数据，使得流处理和批处理一样方便。Spark Streaming支持Java、Scala和Python。
2. 容错性强：可以开箱即用。Spark Streaming开箱后无需任何额外的代码，就能恢复丢失的工作和操作状态（如滑动窗口等）。
3. Spark集成：集成了流处理、批处理和交互查询。通过在Spark上运行，Spark Streaming允许您重复使用相同的代码进行批处理，将流加入历史数据，或者在流状态下运行即席查询。 构建功能强大的交互式应用程序，不仅仅是分析。

3.Spark Streaming的工作原理

Spark Streaming的内部工作原理如下所示：Spark Streaming接收实时输入的数据流，然后将数据流切分成批，交给Spark引擎进行处理，最终生成“批处理”形式的的结果流。

image

Spark Streaming将连续的数据流切分成离散的数据流，即Discretized Stream，简称DStream。DStream的本质是一个由许多RDD组成的序列。

4.案例：演示示例程序NetworkWordCount

（1）在终端1上，启动netcat服务器，向9999端口发送数据

[root@localhost ~ ] # nc -l -p 9999

（2）在终端2上，执行示例程序NetworkWordCount，监听本机的9999端口发来的数据

[root@localhost ~ ] # $SPARK_HOME/bin/run-example streaming.NetworkWordCount localhost 9999

（3）在终端1上，输入要发送的数据，按回车发送

I love Beijing
I love China
Beijing is the capital of China

（4）在终端2上，查看Spark Streaming处理的结果

image

image

注意：如果要确保本例执行成功， 那么必须要使机器的CPU核数大于等于2。一个核用于监听，至少一个核用于计算。否则只有一个核的话，程序会停在那里（只监听，不计算）。