1.sparkStreaming是什么？

sparkStreaming 其实是对RDD进行微批量处理，核心还是对RDD的操作。

只不过spark是线程级的应用，实现秒级的运算是可以的。

所以sparkStreaming并不是真正意义上的流处理，最多实现秒级响应，无法做到毫秒级。

所以sparksSreaming比较适合 实时和批量数据相结合的场景。

2.sparkStreaming工作机制

跟spark工作机制非常相似，因为本身就是spark对RDD的操作。

1.每个workerNode中会有一个 receiver

2.receiver 会对接一个input DStream，input DStream负责源源不断的输入数据。

receiver 主要任务就是负责对接input DStream ，接收并处理流数据。

input DStream 对接的数据流可以有多种，

套接字流：通过socket 不断发送数据。

文件流：监听文本，文件一旦发生改变就传输文本

KAFKA：接收kafka的数据流

3.sparkStreaming的编写步骤

3.1创建DStream 来定义输入源

和创建spark-shell的 sparkContext  简称 sc ，

sparkSQL的 sparkSession 简称 spark类似。

sparkStreaming 需要的 streamContext 简称ssc

ps：如果pom.xml中 没有配置sparkStreaming 依赖，需要先导入依赖。

可以参照下边添加sparkSession依赖的文章，添加sparkStreaming

在idea中pom.xml添加sparkSQL依赖_hzp666的博客-CSDN博客_idea添加spark依赖

第一步创建创建 spark的指挥所，

 如果在spark-shell中编写的话，因为自动创建了 sparkContext ，即sc

所以创建StreamingContext时，只用 传递 sc 参数

val ssc = new StreamingContext(conf,Seconds(2))

如果在idea中编程，创建StreamingContext 时候，需要声明 SparkConf，并传入 conf, 而不是sc

//create spark commander

val ssc = new StreamingContext(conf,Seconds(2))

val conf = new SparkConf().setMaster("local[2]").setAppName("streamingTest")val ssc = new StreamingContext(conf,Seconds(2))

ps:另外注意 setMaster("local[2]") 中 至少要2个线程，一个负责接收数据，一个负责处理。直接写local 或者 local[1] 都不行。

第二步，生成input 输入流

下边案例是文本流：

//read
val lines = ssc.textFileStream("D:/doc/spark/streaming")

3.2 编写对流数据的转换和操作

//transfer
val countedRDD: DStream[(String, Int)] = lines.flatMap(_.split("/[\\s\\n]/")).map(x => (x, 1)).reduceByKey(_+_)

//print ，for visual the result
countedRDD.print()

3.3 启动程序

//start
ssc.start()

3.4 结束

发生错误时结束

//stop
ssc.awaitTermination()

3.5 手动结束

ssc.stop()

4.文本流完整案例：

import org.apache.spark._
import org.apache.spark.streaming.dstream.DStream
import org.apache.spark.streaming.{Seconds, StreamingContext}object sparkStreamingTest {def main(args: Array[String]): Unit = {//create spark commanderval conf = new SparkConf().setMaster("local[2]").setAppName("streamingTest")val ssc = new StreamingContext(conf,Seconds(5))//readval lines = ssc.textFileStream("D:/doc/spark/streaming")//transferval countedRDD: DStream[(String, Int)] = lines.flatMap(_.split(" ")).map(x => (x, 1)).reduceByKey(_+_)//printcountedRDD.print()//startssc.start()//stopssc.awaitTermination()}
}

运行效果：

5.

PS 注意事项：

如果在计算的时候，指定--master时 使用的是local 并且只指定了一个线程，那么只有receiver线程工作，计算的线程不会工作，所以在指定线程数的时候，最少指定2个。

（2）通过输入源创建InputDStream：

在构建好StreamingContext之后，首先我们要读取数据源的数据进行实时处理：
  InputDStreams指的是从数据流的源头接收的输入数据流，每个 InputDStream 都关联一个 Receiver 对象，该 Receiver 对象接收数据源传来的数据并将其保存在内存中以便后期 Spark 处理。
  Spark Streaming 提供两种原生支持的流数据源和自定义的数据源：
    - 直接通过 StreamingContext API 创建，例如文件系统（本地文件系统及分布式文件系统）、 Socket 连接及 Akka 的 Actor。
    - Kafka, Flume, Kinesis, Twitter 等，需要借助外部工具类，在运行时需要外部依赖
    -Spark Streaming 还支持用户自定义数据源，它需要用户定义 receiver
注意：
  - 在本地运行 Spark Streaming 时，master URL 不能使用”local”或”local[1] ”，因为当 Input DStream 与 Receiver（如 sockets, Kafka, Flume 等）关联时，Receiver 自身就需要一个线程 来运行，此时便没有线程去处理接收到的数据。因此，在本地运行 SparkStreaming 程序时，要使用”local[n]”作为 master URL，n 要大于 receiver 的数量。
  - 在集群上运行 Spark Streaming 时，分配给 Spark Streaming 程序的 CPU 核数也必须大于 receiver 的数量，否则系统将只接受数据，无法处理数据。

（3）对DStream进行transformation 和 output 操作，这样操作构成了后期流式计算的逻辑

（4）通过streamingContext.start()方法启动接收和处理数据的流程

（5）使用streamingContext.awaitTermination()方法等待程序结束（手动停止或出错停止）

（6）调用streamingContext.stop()方法来结束程序的运行。

---

在编写sparkStreaming时的注意点：
  - streamingContext启动后，增加新的操作将不起作用，一定要在启动之前定义好逻辑，也就是说在调用start方法之后，在对sparkStreaming程序进行逻辑操作是不被允许的
  - StreamingContext 是单例对象停止后，不能重新启动，除非重新启动任务，重新执行计算
  - 在单个jvm中，一段时间内不能出现两个active状态的StreamingContext
  - 当在调用 StreamingContext 的 stop 方法时，默认情况下 SparkContext 也将被 stop 掉， 如果希望 StreamingContext 关闭时，能够保留 SparkContext，则需要在 stop 方法中传入参 数 stop SparkContext=false
  - 一个 SparkContext 可以用来创建多个 StreamingContext，只要前一个 StreamingContext 已经停止了。