结构化流(Structured Streaming)

结构化流介绍

有界和无界数据

  • 有界数据:
指的数据有固定的开始和固定的结束,数据大小是固定。我们称之为有界数据。对于有界数据,一般采用批处理方案(离线计算)

特点:
	1-数据大小是固定
	2-程序处理有界数据,程序最终一定会停止
  • 无界数据:
指的数据有固定的开始,但是没有固定的结束。我们称之为无界数据
对于无界数据,我们一般采用流式处理方案(实时计算)

特点:
 	1-数据没有明确的结束,也就是数据大小不固定
 	2-数据是源源不断的过来
 	3-程序处理无界数据,程序会一直运行不会结束

基本介绍

结构化流是构建在Spark SQL处理引擎之上的一个流式的处理引擎,主要是针对无界数据的处理操作。对于结构化流同样也支持多种语言操作的API:比如 Python Java Scala SQL …

Spark的核心是RDD。RDD出现主要的目的就是提供更加高效的离线的迭代计算操作,RDD是针对的有界的数据集,但是为了能够兼容实时计算的处理场景,提供微批处理模型,本质上还是批处理,只不过批与批之间的处理间隔时间变短了,让我们感觉是在进行流式的计算操作,目前默认的微批可以达到100毫秒一次

​ 真正的流处理引擎: Flink、Storm(早期流式处理引擎)、Flume(流式数据采集)

实时数据案例–词频统计

需求:结构化流(Structured Streaming)_第1张图片
代码实现:

import os
from pyspark.sql import SparkSession
import  pyspark.sql.functions as F

# 绑定指定的Python解释器
os.environ['SPARK_HOME'] = '/export/server/spark'
os.environ['PYSPARK_PYTHON'] = '/root/anaconda3/bin/python3'
os.environ['PYSPARK_DRIVER_PYTHON'] = '/root/anaconda3/bin/python3'

if __name__ == '__main__':
    # 1- 创建SparkSession对象
    spark = SparkSession.builder\
        .config("spark.sql.shuffle.partitions",1)\
        .appName('structured_streaming_wordcount')\
        .master('local[*]')\
        .getOrCreate()

    # 2- 数据输入
    init_df = spark.readStream\
        .format("socket")\
        .option("host","192.168.88.161")\
        .option("port","55555")\
        .load()

    # 3- 数据处理
    result_df = init_df.select(
        F.explode(F.split('value',' ')).alias('word')
    ).groupBy('word').agg(
        F.count('word').alias('cnt')
    )

    # init_df.show()

    # 4- 数据输出
    # 5- 启动流式任务
    result_df.writeStream.format('console').outputMode('complete').start().awaitTermination()

程序运行结果:
结构化流(Structured Streaming)_第2张图片
代码测试操作步骤:

首先: 先下载一个 nc(netcat) 命令. 通过此命令打开一个端口号, 并且可以向这个端口写入数据
yum -y install nc
	
执行nc命令, 开启端口号, 写入数据:
nc -lk 55555

注意: 要先启动nc,再启动我们的程序

查看端口号是否被使用命令:
netstat -nlp | grep 要查询的端口

结构化流(Structured Streaming)_第3张图片
可能遇到的错误:
结构化流(Structured Streaming)_第4张图片

结构化流的编程模型

数据结构

结构化流(Structured Streaming)_第5张图片
在结构化流中,我们可以将DataFrame称为无界的DataFrame或者无界的二维表

数据源部分

结构化流默认提供了多种数据源,从而可以支持不同的数据源的处理工作。目前提供了如下数据源:

  • Socket Source:网络套接字数据源,一般用于测试。也就是从网络上消费/读取数据
  • File Source:文件数据源。读取文件系统,一般用于测试。如果文件夹下发生变化,有新文件产生,那么就会触发程序的运行
  • Kafka Source:Kafka数据源。也就是作为消费者来读取Kafka中的数据。一般用于生产环境。
  • Rate Source:速率数据源。一般用于测试。通过配置参数,由结构化流自动生成测试数据。## Operation操作

对应官网文档内容:https://spark.apache.org/docs/3.1.2/structured-streaming-programming-guide.html#input-sources
结构化流(Structured Streaming)_第6张图片
File Source
将目录中写入的文件作为数据流读取,支持的文件格式为:text、csv、json、orc、parquet…
相关的参数:

option参数 描述说明
maxFilesPerTrigger 每次触发时要考虑的最大新文件数 (默认: no max)
latestFirst 是否先处理最新的新文件, 当有大量文件积压时有用 (默认: false)
fileNameOnly 是否检查新文件只有文件名而不是完整路径(默认值:false)将此设置为 true 时,以下文件将被视为同一个文件,因为它们的文件名“dataset.txt”相同: “file:///dataset.txt” “s3://a/dataset.txt " “s3n://a/b/dataset.txt” “s3a://a/b/c/dataset.txt”

读取代码通用格式:

sparksession.readStream
	.format('CSV|JSON|Text|Parquet|ORC...')
	.option('参数名1','参数值1')
	.option('参数名2','参数值2')
	.option('参数名N','参数值N')
	.schema(元数据信息)
	.load('需要监听的目录地址')
	
针对具体数据格式,还有对应的简写API格式,例如:
	sparksession.readStream.csv(path='需要监听的目录地址',schema=元数据信息。。。)

代码操作

import os
from pyspark.sql import SparkSession

# 绑定指定的Python解释器
os.environ['SPARK_HOME'] = '/export/server/spark'
os.environ['PYSPARK_PYTHON'] = '/root/anaconda3/bin/python3'
os.environ['PYSPARK_DRIVER_PYTHON'] = '/root/anaconda3/bin/python3'

if __name__ == '__main__':
    # 1- 创建SparkSession对象
    spark = SparkSession.builder\
        .config("spark.sql.shuffle.partitions","1")\
        .appName('file_source')\
        .master('local[*]')\
        .getOrCreate()

    # 2- 数据输入:File Source文件数据源
    """
        File Source总结
            1- 只能监听目录,不能监听具体的文件
            2- 可以通过*通配符的形式监听目录中满足条件的文件
            3- 如果监听目录中有子目录,那么无法监听到子目录的变化情况
    """
    init_df = spark.readStream.csv(
        path="file:///export/data/",
        sep=",",
        encoding="UTF-8",
        schema="id int,name string"
    )


    # 3- 数据处理
    # 4- 数据输出
    # 5- 启动流式任务
    init_df.writeStream.format("console").outputMode("append").start().awaitTermination()

可能遇到的错误一:
结构化流(Structured Streaming)_第7张图片

原因: 如果是文件数据源,需要手动指定schema信息

可能遇到的错误二:
结构化流(Structured Streaming)_第8张图片

原因: File source只能监听目录,不能监听具体文件
文件数据源特点:
1- 不能够监听具体的文件,否则会报错误java.lang.IllegalArgumentException: Option 'basePath' must be a directory
2- 可以通过通配符的形式,来监听目录下的文件,符合要求的才会被读取
3- 如果监听目录中有子目录,那么无法监听到子目录的变化情况

Operations操作

指的是数据处理部分,该操作和Spark SQL中是完全一致。可以使用SQL方式进行处理,也可以使用DSL方式进行处理。

Sink输出操作

在结构化流中定义好DataFrame或者处理好DataFrame之后,调用writeStream()方法完成数据的输出操作。在输出的过程中,我们可以设置一些相关的属性,然后启动结构化流程序运行。
结构化流(Structured Streaming)_第9张图片

输出模式

在进行数据输出的时候,必须通过outputMode来设置输出模式。输出模式提供了3种不同的模式:

  • 1- append模式:增量模式

    特点:当结构化程序处理数据的时候,如果有了新数据,才会触发执行。而且该模式只支持追加。不支持数据处理阶段有聚合的操作。如果有了聚合操作,直接报错。而且也不支持排序操作。如果有了排序,直接报错。

  • 2- complete模式:完全(全量)模式

    特点:当结构化程序处理数据的时候,每一次都是针对全量的数据进行处理。由于数据越来越多,所以在数据处理阶段,必须要有聚合操作。如果没有聚合操作,直接报错。另外还支持排序,但是不是强制要求。

  • 3- update模式:更新模式

    特点:支持聚合操作。当结构化程序处理数据的时候,如果处理阶段没有聚合操作,该模式效果和append模式是一致。如果有了聚合操作,只会输出有变化和新增的内容。但是不支持排序操作,如果有了排序,直接报错。

append模式:

import os
from pyspark.sql import SparkSession
import  pyspark.sql.functions as F

# 绑定指定的Python解释器
os.environ['SPARK_HOME'] = '/export/server/spark'
os.environ['PYSPARK_PYTHON'] = '/root/anaconda3/bin/python3'
os.environ['PYSPARK_DRIVER_PYTHON'] = '/root/anaconda3/bin/python3'

if __name__ == '__main__':
    # 1- 创建SparkSession对象
    spark = SparkSession.builder\
        .config("spark.sql.shuffle.partitions",1)\
        .appName('structured_streaming_wordcount')\
        .master('local[*]')\
        .getOrCreate()

    # 2- 数据输入
    init_df = spark.readStream\
        .format("socket")\
        .option("host","192.168.88.161")\
        .option("port","55555")\
        .load()

    init_df.createTempView("tmp_table")

    # 3- 数据处理
    # 正常:没有聚合操作,也没有排序
    result_df = spark.sql("""
        select
            explode(split(value,' ')) as word
        from tmp_table
    """)

    # 异常:有聚合操作,没有排序
    # result_df = spark.sql("""
    #     select
    #         word,count(1) as cnt
    #     from (
    #         select
    #             explode(split(value,' ')) as word
    #         from tmp_table
    #     )
    #     group by word
    # """)

    # 异常:没有聚合操作,有排序
    # result_df = spark.sql("""
    #     select
    #         word
    #     from (
    #         select
    #             explode(split(value,' ')) as word
    #         from tmp_table
    #     )
    #     order by word
    # """)

    # 4- 数据输出
    # 5- 启动流式任务
    result_df.writeStream.format('console').outputMode('append').start().awaitTermination()

如果有了聚合操作,会报如下错误:
结构化流(Structured Streaming)_第10张图片
如果有了排序操作,会报如下错误:
结构化流(Structured Streaming)_第11张图片

complete模式:

import os
from pyspark.sql import SparkSession
import  pyspark.sql.functions as F

# 绑定指定的Python解释器
os.environ['SPARK_HOME'] = '/export/server/spark'
os.environ['PYSPARK_PYTHON'] = '/root/anaconda3/bin/python3'
os.environ['PYSPARK_DRIVER_PYTHON'] = '/root/anaconda3/bin/python3'

if __name__ == '__main__':
    # 1- 创建SparkSession对象
    spark = SparkSession.builder\
        .config("spark.sql.shuffle.partitions",1)\
        .appName('structured_streaming_wordcount')\
        .master('local[*]')\
        .getOrCreate()

    # 2- 数据输入
    init_df = spark.readStream\
        .format("socket")\
        .option("host","192.168.88.161")\
        .option("port","55555")\
        .load()

    init_df.createTempView("tmp_table")

    # 3- 数据处理
    # 异常:没有聚合操作
    # result_df = spark.sql("""
    #     select
    #         explode(split(value,' ')) as word
    #     from tmp_table
    # """)

    # 正常:有聚合操作,没有排序
    result_df = spark.sql("""
        select
            word,count(1) as cnt
        from (
            select
                explode(split(value,' ')) as word
            from tmp_table
        )
        group by word
        order by cnt
    """)

    # 4- 数据输出
    # 5- 启动流式任务
    result_df.writeStream.format('console').outputMode('complete').start().awaitTermination()

如果没有聚合操作,会报如下错误:
结构化流(Structured Streaming)_第12张图片
update模式:

import os
from pyspark.sql import SparkSession
import  pyspark.sql.functions as F

# 绑定指定的Python解释器
os.environ['SPARK_HOME'] = '/export/server/spark'
os.environ['PYSPARK_PYTHON'] = '/root/anaconda3/bin/python3'
os.environ['PYSPARK_DRIVER_PYTHON'] = '/root/anaconda3/bin/python3'

if __name__ == '__main__':
    # 1- 创建SparkSession对象
    spark = SparkSession.builder\
        .config("spark.sql.shuffle.partitions",1)\
        .appName('structured_streaming_wordcount')\
        .master('local[*]')\
        .getOrCreate()

    # 2- 数据输入
    init_df = spark.readStream\
        .format("socket")\
        .option("host","192.168.88.161")\
        .option("port","55555")\
        .load()

    init_df.createTempView("tmp_table")

    # 3- 数据处理
    # 正常:没有聚合操作
    result_df = spark.sql("""
        select
            explode(split(value,' ')) as word
        from tmp_table
    """)

    # 正常:有聚合操作,没有排序
    # result_df = spark.sql("""
    #     select
    #         word,count(1) as cnt
    #     from (
    #         select
    #             explode(split(value,' ')) as word
    #         from tmp_table
    #     )
    #     group by word
    # """)

    # 异常:有排序
    result_df = spark.sql("""
        select
            word
        from (
            select
                explode(split(value,' ')) as word
            from tmp_table
        )
        order by word
    """)

    # 4- 数据输出
    # 5- 启动流式任务
    result_df.writeStream.format('console').outputMode('update').start().awaitTermination()

如果有了排序操作,会报如下错误:
结构化流(Structured Streaming)_第13张图片

你可能感兴趣的:(sql,大数据,spark,kafka)