一、上下文
《Spark-Streaming初识》中的NetworkWordCount示例只能统计每个微批下的单词的数量，那么如何才能统计从开始加载数据到当下的所有数量呢？下面我们就来通过官方例子学习下Spark-Streaming有状态计算。
二、官方例子
所属包：org.apache.spark.examples.streaming
object StatefulNetworkWordCount {def main(args: Array[String]): Unit = {if (args.length < 2) {System.err.println("Usage: StatefulNetworkWordCount <hostname> <port>")System.exit(1)}StreamingExamples.setStreamingLogLevels()val sparkConf = new SparkConf().setAppName("StatefulNetworkWordCount")//创建微批为 1 秒的上下文val ssc = new StreamingContext(sparkConf, Seconds(1))//指定 checkpoint 目录ssc.checkpoint(".")// 用一个 List 初始化一个 RDDval initialRDD = ssc.sparkContext.parallelize(List(("hello", 1), ("world", 1)))// 在目标ip:port上创建一个ReceiverInputDStream，并对分隔测试的输入流中的单词进行计数（例如由'nc'生成）val lines = ssc.socketTextStream(args(0), args(1).toInt)val words = lines.flatMap(_.split(" "))val wordDstream = words.map(x => (x, 1))// 使用mapWithState更新累积计数这将给出一个由状态组成的DStream（即单词的累积计数）val mappingFunc = (word: String, one: Option[Int], state: State[Int]) => {val sum = one.getOrElse(0) + state.getOption.getOrElse(0)val output = (word, sum)state.update(sum)output}val stateDstream = wordDstream.mapWithState(StateSpec.function(mappingFunc).initialState(initialRDD))stateDstream.print()ssc.start()ssc.awaitTermination()}
}三、分析
1、构建SparkConf
它是Spark应用程序的配置，用于设置Spark的各种参数。支持链式设置
new SparkConf().setMaster("local").setAppName("My app")一旦SparkConf对象传递给Spark，用户就不能再对其进行修改。Spark不支持在运行时修改配置
2、构建StreamingContext
它是Spark Streaming功能的主要入口点，且提供了从各种输入源创建[[org.apache.spark.streaming.dstream.DStream]] 的方法。
创建和转换DStreams后，可以分别使用start()、stop()启动和停止流计算，awaitTermination()允许当前线程通过stop()或异常等待上下文的终止。
3、设置checkpoint
StreamingContext最终还是通过SparkContext来设置checkpoint，但其实都是为各自的checkpointDir设置checkpoint路径，在有状态计算中checkpoint是必须的。
所谓有状态计算就必须要把历史状态给存储下来，spark中使用使用checkpoint来实现这个存储，每个微批的数据的计算都要更新到历史状态中。
class SparkContext(config: SparkConf) extends Logging {private[spark] var checkpointDir: Option[String] = None}class StreamingContext private[streaming] (_sc: SparkContext,_cp: Checkpoint,_batchDur: Duration) extends Logging {private[streaming] var checkpointDir: String = {if (isCheckpointPresent) {sc.setCheckpointDir(_cp.checkpointDir)_cp.checkpointDir} else {null}}}4、初始化一个RDD
为什么要初始化一个RDD呢？我们看看下面是如何用到的。
5、创建一个ReceiverInputDStream
这里是从TCP源hostname:port创建输入流。使用TCP套接字接收数据，并使用给定的转换器将接收字节解释为对象
6、处理单词
从源码中可以看出会把这样的文本
hadoop spark flink kafka hadoop spark-streaming
处理成这样的格式
hadoop 1
spark 1
flink 1
kafka 1
hadoop 1
spark-streaming 1
6、使用mapWithState更新累积计数
该算子可以维护并更新每个key的状态。
这里用到一个新对象：StateSpec，且用到了它的两个方法，initialState和function
initialState：设置包含“mapWithState”将使用的初始状态的RDD`
function：设置实际的状态更新操作
//第1个参数：状态 key 的类别
//第2个参数：状态 value 的类别
//第3个参数：状态 数据 的类别
//第4个参数：状态 处理完要返回 的类别
def mappingFunction(key: String, value: Option[Int], state: State[Int]): Option[String] = {// 使用state.exists()、state.get()、state.update()和state.remove()来管理状态，并返回必要的字符串
}四、运行
运行Netcat
nc -lk 9999
新建一个窗口运行官方例子
cd /opt/cloudera/parcels/CDH-6.3.1-1.cdh6.3.1.p0.1470567/lib/spark/
bin/run-example org.apache.spark.examples.streaming.StatefulNetworkWordCount cdh1 9999
