Spark2.3(三十七)：Stream join Stream（res文件每天更新一份）
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了Spark2.3(三十七)：Stream join Stream（res文件每天更新一份），小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含5436字，纯文字阅读大概需要8分钟。
内容图文
kafka测试数据生成：
package
com.dx.kafka;
import
java.util.Properties;
import
java.util.Random;
import
org.apache.kafka.clients.producer.Producer;
import
org.apache.kafka.clients.producer.ProducerRecord;
public
class
KafkaProducer {
public
static
void main(String[] args) throws InterruptedException {
Properties props = new Properties();
props.put("bootstrap.servers", "192.168.0.141:9092,192.168.0.142:9092,192.168.0.143:9092,192.168.0.144:9092");
props.put("acks", "all");
props.put("retries", 0);
props.put("batch.size", 16384);
props.put("linger.ms", 1);
props.put("buffer.memory", 33554432);
props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer");
props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer");
Producer<String, String> producer = new org.apache.kafka.clients.producer.KafkaProducer(props);
int i = 0;
Random random=new Random();
while (true) {
i++;
producer.send(new ProducerRecord<String, String>("my-topic", "key-" + Integer.toString(i),
i%3+","+random.nextInt(100)));
System.out.println(i);
Thread.sleep(1000);
if(i%100==0) {
Thread.sleep(60*1000);
}
}
// producer.close();
}
}
Stream join Stream测试代码：
要求：使用spark structured streaming实时读取kafka中的数据，kafka中的数据包含字段int_id；kafka上数据需要关联资源信息（通过kafka的int_id与资源的int_id进行关联），同时要求资源每天都更新。
使用spark structured streaming实时读取kafka中的数据
Dataset<Row> linesDF = this.sparkSession.readStream()// .format("kafka")// .option("failOnDataLoss", false)// .option("kafka.bootstrap.servers", "192.168.0.141:9092,192.168.0.142:9092,192.168.0.143:9092,192.168.0.144:9092")// .option("subscribe", "my-topic")// .option("startingOffsets", "earliest")// .option("maxOffsetsPerTrigger", 10)// .load(); StructType structType = new StructType(); structType = structType.add("int_id", DataTypes.StringType, false); structType = structType.add("rsrp", DataTypes.StringType, false); structType = structType.add("mro_timestamp", DataTypes.TimestampType, false); ExpressionEncoder<Row> encoder = RowEncoder.apply(structType); Dataset<Row> mro = linesDF.select("value").as(Encoders.STRING()).map(new MapFunction<String, Row>() { privatestaticfinallong serialVersionUID = 1L; @Override public Row call(String t) throws Exception { List<Object> values = new ArrayList<Object>(); String[] fields = t.split(","); values.add(fields.length >= 1 ? fields[0] : "null"); values.add(fields.length >= 2 ? fields[1] : "null"); values.add(new Timestamp(new Date().getTime())); return RowFactory.create(values.toArray()); } }, encoder); mro=mro.withWatermark("mro_timestamp", "15 minutes"); mro.printSchema();
加载资源信息
StructType resulStructType = new StructType(); resulStructType = resulStructType.add("int_id", DataTypes.StringType, false); resulStructType = resulStructType.add("enodeb_id", DataTypes.StringType, false); resulStructType = resulStructType.add("res_timestamp", DataTypes.TimestampType, false); ExpressionEncoder<Row> resultEncoder = RowEncoder.apply(resulStructType); Dataset<Row> resDs = sparkSession.readStream().option("maxFileAge", "1ms").textFile(resourceDir) .map(new MapFunction<String, Row>() { privatestaticfinallong serialVersionUID = 1L; @Override public Row call(String value) throws Exception { String[] fields = value.split(","); Object[] objItems = new Object[3]; objItems[0] = fields[0]; objItems[1] = fields[1]; objItems[2] = Timestamp.valueOf(fields[2]); return RowFactory.create(objItems); } }, resultEncoder); resDs = resDs.withWatermark("res_timestamp", "1 seconds"); resDs.printSchema();
kafka上数据与资源关联
关联条件int_id相同，同时要求res.timestamp<=mro.timestmap & res.timestamp<(mro.timestmap-1天)
res如果放入broadcast经过测试发现也是可行的。
//
JavaSparkContext jsc =
//
JavaSparkContext.fromSparkContext(sparkSession.sparkContext());
Dataset<Row> cellJoinMro = mro.as("t10")//
.join(resDs.as("t11"),// jsc.broadcast(resDs).getValue()
functions.expr("t11.int_id=t10.int_id "//
+ "and t11.res_timestamp<=t10.mro_timestamp "//
+ "and timestamp_diff(t11.res_timestamp,t10.mro_timestamp,‘>‘,‘-86400000‘)"),//
"left_outer")//
.selectExpr("t10.int_id", "t10.rsrp", "t11.enodeb_id", "t10.mro_timestamp", "t11.res_timestamp");
StreamingQuery query = cellJoinMro.writeStream().format("console").outputMode("update") //
.trigger(Trigger.ProcessingTime(1, TimeUnit.MINUTES))//
.start();
udf：timestamp_diff定义
sparkSession.udf().register("timestamp_diff", new UDF4<Timestamp, Timestamp, String, String, Boolean>() {
privatestaticfinallong serialVersionUID = 1L;
@Override
public Boolean call(Timestamp t1, Timestamp t2, String operator, String intervalMsStr) throws Exception {
long diffValue=t1.getTime()-t2.getTime();
long intervalMs=Long.valueOf(intervalMsStr);
if(operator.equalsIgnoreCase(">")){
return diffValue>intervalMs;
}elseif(operator.equalsIgnoreCase(">=")){
return diffValue>=intervalMs;
}elseif(operator.equalsIgnoreCase("<")){
return diffValue<intervalMs;
}elseif(operator.equalsIgnoreCase("<=")){
return diffValue<=intervalMs;
}elseif(operator.equalsIgnoreCase("=")){
return diffValue==intervalMs;
}else{
thrownew RuntimeException("unknown error");
}
}
},DataTypes.BooleanType);
如果删除资源历史数据，不会导致正在运行的程序抛出异常；当添加新文件到res hdfs路径下时，可以自动被加载进来。
备注：要求必须每天资源文件只能有一份，否则会导致kafka上数据关联后结果重复，同时，res上的每天的文件中包含timestmap字段格式都为yyyy-MM-dd 00:00:00。
原文：https://www.cnblogs.com/yy3b2007com/p/10124722.html
内容总结
以上是互联网集市为您收集整理的Spark2.3(三十七)：Stream join Stream（res文件每天更新一份）全部内容，希望文章能够帮你解决Spark2.3(三十七)：Stream join Stream（res文件每天更新一份）所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。
来源：【匿名】