文档章节

59、Spark Streaming与Spark SQL结合使用之top3热门商品实时统计案例

o
 osc_g8254g7s
发布于 2019/08/19 17:07
字数 1183
阅读 16
收藏 0

精选30+云产品,助力企业轻松上云!>>>

一、top3热门商品实时统计案例

1、概述

Spark Streaming最强大的地方在于,可以与Spark Core、Spark SQL整合使用,之前已经通过transform、foreachRDD等算子看到,
如何将DStream中的RDD使用Spark Core执行批处理操作。现在就来看看,如何将DStream中的RDD与Spark SQL结合起来使用。

案例:每隔10秒,统计最近60秒的,每个种类的每个商品的点击次数,然后统计出每个种类top3热门的商品。


2、java案例

package cn.spark.study.streaming;

import java.util.ArrayList;
import java.util.List;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.PairFunction;
import org.apache.spark.sql.DataFrame;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.RowFactory;
import org.apache.spark.sql.hive.HiveContext;
import org.apache.spark.sql.types.DataTypes;
import org.apache.spark.sql.types.StructField;
import org.apache.spark.sql.types.StructType;
import org.apache.spark.streaming.Durations;
import org.apache.spark.streaming.api.java.JavaPairDStream;
import org.apache.spark.streaming.api.java.JavaReceiverInputDStream;
import org.apache.spark.streaming.api.java.JavaStreamingContext;

import scala.Tuple2;

/**
 * 与Spark SQL整合使用,top3热门商品实时统计
 * @author Administrator
 *
 */
public class Top3HotProduct {

    public static void main(String[] args) {
        SparkConf conf = new SparkConf()
                .setMaster("local[2]")
                .setAppName("Top3HotProduct");  
        JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(1));
        
        // 首先看一下,输入日志的格式
        // leo iphone mobile_phone
        
        // 首先,获取输入数据流
        // 这里顺带提一句,之前没有讲过,就是说,我们的Spark Streaming的案例为什么都是基于socket的呢?
        // 因为方便啊。。。
        // 其实,企业里面,真正最常用的,都是基于Kafka这种数据源
        // 但是我觉得我们的练习,用socket也无妨,比较方便,而且一点也不影响学习
        // 因为不同的输入来源的,不同之处,只是在创建输入DStream的那一点点代码
        // 所以,核心是在于之后的Spark Streaming的实时计算
        // 所以只要我们掌握了各个案例和功能的使用
        // 在企业里,切换到Kafka,易如反掌,因为我们之前都详细讲过,而且实验过,实战编码过,将Kafka作为
        // 数据源的两种方式了
        
        // 获取输入数据流
        JavaReceiverInputDStream<String> productClickLogsDStream = jssc.socketTextStream("spark1", 9999);
        
        // 然后,应该是做一个映射,将每个种类的每个商品,映射为(category_product, 1)的这种格式
        // 从而在后面可以使用window操作,对窗口中的这种格式的数据,进行reduceByKey操作
        // 从而统计出来,一个窗口中的每个种类的每个商品的,点击次数
        JavaPairDStream<String, Integer> categoryProductPairsDStream = productClickLogsDStream
                .mapToPair(new PairFunction<String, String, Integer>() {

                    private static final long serialVersionUID = 1L;

                    @Override
                    public Tuple2<String, Integer> call(String productClickLog)
                            throws Exception {
                        String[] productClickLogSplited = productClickLog.split(" "); 
                        return new Tuple2<String, Integer>(productClickLogSplited[2] + "_" + 
                                productClickLogSplited[1], 1);
                    }
                    
                });
        
        // 然后执行window操作
        // 到这里,就可以做到,每隔10秒钟,对最近60秒的数据,执行reduceByKey操作
        // 计算出来这60秒内,每个种类的每个商品的点击次数
        JavaPairDStream<String, Integer> categoryProductCountsDStream = 
                categoryProductPairsDStream.reduceByKeyAndWindow(
                        
                        new Function2<Integer, Integer, Integer>() {

                            private static final long serialVersionUID = 1L;
                
                            @Override
                            public Integer call(Integer v1, Integer v2) throws Exception {
                                return v1 + v2;
                            }
                            
                        }, Durations.seconds(60), Durations.seconds(10));  
        
        // 然后针对60秒内的每个种类的每个商品的点击次数
        // foreachRDD,在内部,使用Spark SQL执行top3热门商品的统计
        categoryProductCountsDStream.foreachRDD(new Function<JavaPairRDD<String,Integer>, Void>() {
            
            private static final long serialVersionUID = 1L;

            @Override
            public Void call(JavaPairRDD<String, Integer> categoryProductCountsRDD) throws Exception {
                // 将该RDD,转换为JavaRDD<Row>的格式
                JavaRDD<Row> categoryProductCountRowRDD = categoryProductCountsRDD.map(
                        
                        new Function<Tuple2<String,Integer>, Row>() {

                            private static final long serialVersionUID = 1L;

                            @Override
                            public Row call(Tuple2<String, Integer> categoryProductCount)
                                    throws Exception {
                                String category = categoryProductCount._1.split("_")[0];
                                String product = categoryProductCount._1.split("_")[1];
                                Integer count = categoryProductCount._2;
                                return RowFactory.create(category, product, count);   
                            }
                            
                        });
                
                // 然后,执行DataFrame转换
                List<StructField> structFields = new ArrayList<StructField>();
                structFields.add(DataTypes.createStructField("category", DataTypes.StringType, true)); 
                structFields.add(DataTypes.createStructField("product", DataTypes.StringType, true));  
                structFields.add(DataTypes.createStructField("click_count", DataTypes.IntegerType, true));  
                StructType structType = DataTypes.createStructType(structFields);
                
                HiveContext hiveContext = new HiveContext(categoryProductCountsRDD.context());
                
                DataFrame categoryProductCountDF = hiveContext.createDataFrame(
                        categoryProductCountRowRDD, structType);
                
                // 将60秒内的每个种类的每个商品的点击次数的数据,注册为一个临时表
                categoryProductCountDF.registerTempTable("product_click_log");  
                
                // 执行SQL语句,针对临时表,统计出来每个种类下,点击次数排名前3的热门商品
                DataFrame top3ProductDF = hiveContext.sql(
                        "SELECT category,product,click_count "
                        + "FROM ("
                            + "SELECT "
                                + "category,"
                                + "product,"
                                + "click_count,"
                                + "row_number() OVER (PARTITION BY category ORDER BY click_count DESC) rank "
                            + "FROM product_click_log"  
                        + ") tmp "
                        + "WHERE rank<=3");
                
                // 这里说明一下,其实在企业场景中,可以不是打印的
                // 案例说,应该将数据保存到redis缓存、或者是mysql db中
                // 然后,应该配合一个J2EE系统,进行数据的展示和查询、图形报表
                
                top3ProductDF.show();      
                
                return null;
            }
            
        });
        
        jssc.start();
        jssc.awaitTermination();
        jssc.close();
    }
    
}


3、scala案例

package cn.spark.study.streaming

import org.apache.spark.SparkConf
import org.apache.spark.streaming.StreamingContext
import org.apache.spark.streaming.Seconds
import org.apache.spark.sql.Row
import org.apache.spark.sql.types.StructType
import org.apache.spark.sql.types.StructField
import org.apache.spark.sql.types.StringType
import org.apache.spark.sql.types.IntegerType
import org.apache.spark.sql.hive.HiveContext

/**
 * @author Administrator
 */
object Top3HotProduct {
  
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf()
        .setMaster("local[2]")  
        .setAppName("Top3HotProduct")
    val ssc = new StreamingContext(conf, Seconds(1))
    
    val productClickLogsDStream = ssc.socketTextStream("spark1", 9999)  
    val categoryProductPairsDStream = productClickLogsDStream
        .map { productClickLog => (productClickLog.split(" ")(2) + "_" + productClickLog.split(" ")(1), 1)}
    val categoryProductCountsDStream = categoryProductPairsDStream.reduceByKeyAndWindow(
        (v1: Int, v2: Int) => v1 + v2, 
        Seconds(60), 
        Seconds(10))  
    
    categoryProductCountsDStream.foreachRDD(categoryProductCountsRDD => {
      val categoryProductCountRowRDD = categoryProductCountsRDD.map(tuple => {
        val category = tuple._1.split("_")(0)
        val product = tuple._1.split("_")(1)  
        val count = tuple._2
        Row(category, product, count)  
      })
      
      val structType = StructType(Array(
          StructField("category", StringType, true),
          StructField("product", StringType, true),
          StructField("click_count", IntegerType, true)))
          
      val hiveContext = new HiveContext(categoryProductCountsRDD.context)
      
      val categoryProductCountDF = hiveContext.createDataFrame(categoryProductCountRowRDD, structType)  
      
      categoryProductCountDF.registerTempTable("product_click_log")  
      
      val top3ProductDF = hiveContext.sql(
            "SELECT category,product,click_count "
            + "FROM ("
              + "SELECT "
                + "category,"
                + "product,"
                + "click_count,"
                + "row_number() OVER (PARTITION BY category ORDER BY click_count DESC) rank "
              + "FROM product_click_log"  
            + ") tmp "
            + "WHERE rank<=3")
            
      top3ProductDF.show()
    })
    
    ssc.start()
    ssc.awaitTermination()
  }
  
}
o
粉丝 0
博文 500
码字总数 0
作品 0
私信 提问
加载中
请先登录后再评论。

暂无文章

OSChina 周一乱弹 —— 毛巾又怎么样?!我在乎的是大姐姐温柔的怀抱!

Osc乱弹歌单(2020)请戳(这里) 【今日歌曲】 @薛定谔的兄弟 :分享洛神有语创建的歌单「我喜欢的音乐」: 《雨 因你而下,于你而止》- Seto 手机党少年们想听歌,请使劲儿戳(这里) @Dan...

小小编辑
5分钟前
19
0
MySQL 常用操作

1 创建/打开/删除数据库 create database db;create database db character set utf8mb4;use db;drop database db;alter database db character set utf8mb4; 2 修复表 mysqlcheck --a......

氷泠
9分钟前
0
0
Node.js中的module.exports与export - module.exports vs exports in Node.js

问题: I've found the following contract in a Node.js module: 我在Node.js模块中找到了以下合同: module.exports = exports = nano = function database_module(cfg) {...} I wonder ......

javail
15分钟前
13
0
如何防止单击按钮时对话框关闭 - How to prevent a dialog from closing when a button is clicked

问题: I have a dialog with EditText for input. 我有一个使用EditText输入的对话框。 When I click the "yes" button on dialog, it will validate the input and then close the dialog.......

富含淀粉
45分钟前
7
0
访问者模式Visitor

一 概述 场景:通常来说,用于封装数据所用到的pojo类,其只包含get、set,对应的业务逻辑是在Service上完成的;但如果出现多个pojo类都共用一套逻辑时,则应该考虑将逻辑进行抽象,不同类型...

小明不觉小
今天
9
0

没有更多内容

加载失败,请刷新页面

加载更多

返回顶部
顶部