通过Spark Streaming的foreachRDD把处理后的数据写入外部存储系统中

文章显示好像有点问题，原文在：http://lqding.blog.51cto.com/9123978/1769814

SparkStreaming的DStream提供了一个dstream.foreachRDD方法，该方法是一个功能强大的原始的API，它允许将数据发送到外部系统。然而,重要的是要了解如何正确有效地使用这种原始方法。一些常见的错误,以避免如下：

写数据到外部系统，需要建立一个数据连接对象（例如TCP连接到远程的服务器），使用它将数据发送到外部存储系统。为此开发者可能会在Driver中尝试创建一个连接，然后在worker中使用它来保存记录到外部数据。例如如下scala代码：

dstream.foreachRDD { rdd =>
  val connection = createNewConnection()  // executed at the driver
  rdd.foreach { record =>
    connection.send(record) // executed at the worker
  }}

上面的代码是一个错误的演示，因为连接是在Driver中创建的，而写数据是在worker中完成的。此时连接就需要被序列化然后发送到worker中。但是我们知道，连接的信息是不能被序列化和发序列化的（不同的机器连接服务器需要使用不同的服务器端口，即便连接被序列化了也不能使用）

进而我们可以将连接移动到worker中实现，代码如下：

dstream.foreachRDD { rdd =>
  rdd.foreach { record =>
    val connection = createNewConnection()
    connection.send(record)
    connection.close()
  }}

但是此时，每处理一条数据记录，就需要连接一次外部系统，对于性能来说是个严重的问题。这也不是一个完美的实现。

我们可以将代码做如下的改进：

dstream.foreachRDD { rdd =>
  rdd.foreachPartition { partitionOfRecords =>
    val connection = createNewConnection()
    partitionOfRecords.foreach(record => connection.send(record))
    connection.close()
  }}

这样一个partition，只需连接一次外部存储。性能上有大幅度的提高。但是不同的partition之间不能复用连接。我们可以使用连接池的方式，使得partition之间可以共享连接。代码如下：

dstream.foreachRDD { rdd =>
  rdd.foreachPartition { partitionOfRecords =>
    // ConnectionPool is a static, lazily initialized pool of connections
    val connection = ConnectionPool.getConnection()
    partitionOfRecords.foreach(record => connection.send(record))
    ConnectionPool.returnConnection(connection)  // return to the pool for future reuse
  }}

下面我们使用SparkStreaming实现将数据写到MySQL中：

在pom.xml中加入如下依赖包

<dependency>
    <groupId>mysql</groupId>
    <artifactId>mysql-connector-java</artifactId>
    <version>5.1.38</version>
</dependency>
<dependency>
    <groupId>commons-dbcp</groupId>
    <artifactId>commons-dbcp</artifactId>
    <version>1.4</version>
</dependency>

在MySql中创建数据库和表

mysql>  create  database  spark;
Query OK, 1 row affected (0.01 sec)

mysql> use spark;
Database  changed
mysql> show tables;
Empty  set  (0.01 sec)

mysql>  create  table  searchKeyWord(insert_time  date ,keyword  varchar (30),search_count  integer );
Query OK, 0  rows  affected (0.05 sec)

使用Java编写一个数据库连接池类

package  com.dt.spark.common;

import  java.sql.Connection;
import  java.sql.PreparedStatement;
import  java.sql.ResultSet;

import  org.apache.commons.dbcp.BasicDataSource;
import  org.apache.log4j.Logger;

/**
 * Description: 数据库连接池类
 * @author dinglq
 */
public  class  ConnectPool {
    private  static  Logger log = Logger.getLogger(ConnectPool. class );
    private  static  BasicDataSource bs =  null ;

    /**
     * 创建数据源
     * @return
     */
    public  static  BasicDataSource getDataSource()  throws  Exception{
        if (bs== null ){
            bs =  new  BasicDataSource();
            bs.setDriverClassName( "com.mysql.jdbc.Driver" );
            bs.setUrl( "jdbc:mysql://spark-master:3306/spark" );
            bs.setUsername( "root" );
            bs.setPassword( "vincent" );
            bs.setMaxActive( 200 ); //设置最大并发数
            bs.setInitialSize( 30 ); //数据库初始化时，创建的连接个数
            bs.setMinIdle( 50 ); //最小空闲连接数
            bs.setMaxIdle( 200 ); //数据库最大连接数
            bs.setMaxWait( 1000 );
            bs.setMinEvictableIdleTimeMillis( 60 * 1000 ); //空闲连接60秒中后释放
            bs.setTimeBetweenEvictionRunsMillis( 5 * 60 * 1000 ); //5分钟检测一次是否有死掉的线程
            bs.setTestOnBorrow( true );
        }
        return  bs;
    }

    /**
     * 释放数据源
     */
    public  static  void  shutDownDataSource()  throws  Exception{
        if (bs!= null ){
            bs.close();
        }
    }

    /**
     * 获取数据库连接
     * @return
     */
    public  static  Connection getConnection(){
        Connection con= null ;
        try  {
            if (bs!= null ){
                con=bs.getConnection();
            } else {
                con=getDataSource().getConnection();
            }
        }  catch  (Exception e) {
            log.error(e.getMessage(), e);
        }
        return  con;
    }

    /**
     * 关闭连接
     */
    public  static  void  closeCon(ResultSet rs,PreparedStatement ps,Connection con){
        if (rs!= null ){
            try  {
                rs.close();
            }  catch  (Exception e) {
                log.error( "关闭结果集ResultSet异常！" +e.getMessage(), e);
            }
        }
        if (ps!= null ){
            try  {
                ps.close();
            }  catch  (Exception e) {
                log.error( "预编译SQL语句对象PreparedStatement关闭异常！" +e.getMessage(), e);
            }
        }
        if (con!= null ){
            try  {
                con.close();
            }  catch  (Exception e) {
                log.error( "关闭连接对象Connection异常！" +e.getMessage(), e);
            }
        }
    }
}

编写Spark代码：

package  com.dt.spark.streaming

import  com.dt.spark.common.ConnectPool
import  org.apache.spark.SparkConf
import  org.apache.spark.streaming.{Seconds, StreamingContext}


/**
 * 以网站热词排名为例，将处理结果写到MySQL中
 * Created by dinglq on 2016/5/3.
 */
object  WriteDataToMySQL {
  def  main(args :  Array[String]) {
    val  conf  =  new  SparkConf().setAppName( "WriteDataToMySQL" )
    val  ssc  =  new  StreamingContext(conf,Seconds( 5 ))
    // 假设socket输入的数据格式为：searchKeyword,time
    val  ItemsStream  =  ssc.socketTextStream( "spark-master" , 9999 )
    // 将输入数据变成(searchKeyword,1)
    var  ItemPairs  =  ItemsStream.map(line  = >(line.split( "," )( 0 ), 1 ))

     val  ItemCount  =  ItemPairs.reduceByKeyAndWindow((v 1 : Int,v 2 : Int) = > v 1 +v 2 ,Seconds( 60 ),Seconds( 10 ))
    //ssc.checkpoint("/user/checkpoints/")
    // val ItemCount = ItemPairs.reduceByKeyAndWindow((v1:Int,v2:Int)=> v1+v2,(v1:Int,v2:Int)=> v1-v2,Seconds(60),Seconds(10))
    /**
     * 接下来需要对热词的频率进行排序，而DStream没有提供sort的方法。那么我们可以实现transform函数，用RDD的sortByKey实现
     */
    val  hottestWord  =  ItemCount.transform(itemRDD  = > {
      val  top 3  =  itemRDD.map(pair  = > (pair. _ 2 , pair. _ 1 ))
        .sortByKey( false ).map(pair  = > (pair. _ 2 , pair. _ 1 )).take( 3 )
      ssc.sparkContext.makeRDD(top 3 )
    })

    hottestWord.foreachRDD(rdd  = > {
      rdd.foreachPartition(partitionOfRecords  = >{
        val  conn  =  ConnectPool.getConnection
        conn.setAutoCommit( false );   //设为手动提交
        val   stmt  =  conn.createStatement();

        partitionOfRecords.foreach( record  = > {

          stmt.addBatch( "insert into searchKeyWord (insert_time,keyword,search_count) values (now(),'" +record. _ 1 + "','" +record. _ 2 + "')" );
        })

        stmt.executeBatch();
        conn.commit();   //提交事务

      })
    })

    ssc.start()
    ssc.awaitTermination()
    ssc.stop()

  }
}

打开netcat发送数据

root@spark-master:~ # nc -lk 9999
hadoop,1111
spark,2222
spark,3333
hadoop,1111
spark,2222
spark,3333
hadoop,1111
spark,2222
spark,3333
hadoop,1111
spark,2222
spark,3333

运行spark代码

root@spark-master:~ # /usr/local/spark/spark-1.6.0-bin-hadoop2.6/bin/spark-submit --class com.dt.spark.streaming.WriteDataToMySQL  --jars=mysql-connector-java-5.1.38.jar,commons-dbcp-1.4.jar ./spark.jar

查看数据库中的结果：

mysql>  select  * from searchKeyWord;
+-------------+---------+--------------+
| insert_time | keyword | search_count |
+-------------+---------+--------------+
| 2016-05-03  | spark   |            4 |
| 2016-05-03  | hadoop  |            2 |
| 2016-05-03  | spark   |            4 |
| 2016-05-03  | hadoop  |            2 |
+-------------+---------+--------------+
4 rows  in  set  (0.00 sec)