第5課：基於案例一節課貫通Spark Streaming流計算框架的運行源碼

通過以下案例切入對Spark Streaming流計算框架的運行源碼的解讀：

package com.dt.spark.cores
import org.apache.spark.SparkConf
import org.apache.spark.sql.Row
import org.apache.spark.sql.hive.HiveContext
import org.apache.spark.sql.types.{IntegerType, StringType, StructField, StructType}
import org.apache.spark.streaming.{Seconds, StreamingContext}
/**
  * 使用Spark Streaming+Spark SQL來在線動態計算電商中不同類別中最熱門的商品排名，例如手機這個類別下面最熱門的三種手機、電視這個類別
  * 下最熱門的三種電視，該實例在實際生產環境下具有非常重大的意義；
  * @author DT大數據夢工廠
  * 新浪微博：http://weibo.com/ilovepains/
  *  實現技術：Spark Streaming+Spark SQL，之所以Spark Streaming能夠使用ML、sql、graphx等功能是因爲有foreachRDD和Transform
  *  等接口，這些接口中其實是基於RDD進行操作，所以以RDD爲基石，就可以直接使用Spark其它所有的功能，就像直接調用API一樣簡單。
  *  假設說這裏的數據的格式：user item category，例如Rocky Samsung Android
  */
object OnlineTheTop3ItemForeachCategory2DB {
  def main(args: Array[String]) {
    val conf = new SparkConf();
    conf.setAppName("OnlineTheTop3ItemForeachCategory2DB");
    conf.setMaster("local[6]");
    /**
      * 此處設置Batch Interval是在Spark Streaming中生成基本job的時間單位，窗口和滑動時間間隔
      * 一定是改Batch Interval的整數倍
      * 設置batchDuration時間間隔來控制Job生成的頻率並且創建Spark Streaming執行的入口
      */
    val ssc = new StreamingContext(conf, Seconds(5));
    ssc.checkpoint("/root/Documents/SparkApps/")
    val userClickLogsDStream = ssc.socketTextStream("RockyLinux",9999)
    val formattedUserClickLogsDStream = userClickLogsDStream.map(clickLog =>
      (clickLog.split(" ")(2) + "_" + clickLog.split(" ")(1),1))
    val categorydUserClickLogsDStream = formattedUserClickLogsDStream.reduceByKeyAndWindow(_+_,_-_,Seconds(60),Seconds(20))
    categorydUserClickLogsDStream.foreachRDD{ rdd =>
      if(rdd.isEmpty()) {
        print("No rdd!!!")
      }else {
        val categoryItemRow = rdd.map(reducedItem => {
          val category = reducedItem._1.split("_")(0)
          val item = reducedItem._1.split("_")(1)
          val click_count = reducedItem._1.split("_")(2)
          Row(category, item, click_count)
        })
        val structType = StructType(Array(
          StructField("category", StringType, true),
          StructField("item", StringType, true),
          StructField("click_count", IntegerType, true)
        ))
        val hiveContext = new HiveContext(rdd.context)
        val categoryItemDF = hiveContext.createDataFrame(categoryItemRow, structType)
        categoryItemDF.registerTempTable("categoryItemTable")
        val reseltDataFram = hiveContext.sql("SELECT category,item,click_count FROM (SELECT category,item,click_count,row_number()" +
          " OVER (PARTITION BY category ORDER BY click_count DESC) rank FROM categoryItemTable) subquery " +
          " WHERE rank <= 3")
        val resultRowRDD = reseltDataFrame.rdd
        resultRowRDD.foreachPartition { partitionOfRecords => {
          if (partitionOfRecords.isEmpty) {null
            print("This RDD is not null but Partition is null!")
          } else {
            val connnection = ConnectionPool.getConnnection()
            partitionOfRecords.foreach(record => {
              val sql = "insert into categoryTop3(category,item,client_count) values('" + record.getAs("category") + "','"
              +record.getAs("item") + "'," + record.getAs("click_count") + ")"
              val stmt = connnection.createStatement()
              stmt.executeUpdate(sql)
            })
            ConnectionPool.returnConnection(connnection)
          }
         }
        }
       }
      }
    /**
      * 在StreamingContext調用start方法的內部其實是會啓動JobScheduler的start方法，進行消息循環，在JobScheduler
      * 的start內部會構造JobGenerator和ReceiverTracher,並且調用JobGenerator和ReceiverTacker的start方法：
      * 1.JobGenetor啓動後會不斷的根據batchDuratione生成一個個的Job
      * 2.ReceiverTracher啓動後首先在Spark Cluster中啓動Receiver（其實是在Executor中先啓動Receiver Supervisor）
      *   數據後會通過ReceiverSupervisor存儲到Executor並且把數據的Metadata信息發送給Driver中的ReceiverTracker,
      *   在ReceiverTracker內部會通過ReceiverBlockTracker來管理接受到的元數據信息
      * 每個BatchInterval會產生一個具體的Job,其實這裏的Job不是Spark Core中所指的Job,它只是基於DStreamGraph而生成的Receiver
      * 的DAG而已，從Java角度講，相當於Runnable接口實例，此時要想運行Job需要提交給JobScheduler,在Jobscheduler中
      * 通過線程單獨的線程來提交Job到集羣運行（其實是在線程中基於RDD的Action觸發正在的作業的運行），爲什麼使用線程池呢？
      * 1.作業不斷生成，所以爲了提升效率，我們需要線程池：這和在Executor中通過線程池執行Tack有異曲同工之妙；
      * 2.有可能設置了Job的FAIR公平調度的方式，這個時候也需要多線程的支持
      */
    ssc.start();
    ssc.awaitTermination();
  }
}