0


【头歌实训】PySpark Streaming 数据源

文章目录

第1关:MySQL 数据源

任务描述

本关任务:读取套接字流数据,完成词频统计,将结果写入 Mysql 中。

相关知识

为了完成本关任务,你需要掌握:

  1. PySpark JDBC 概述;
  2. PySpark JDBC;
  3. PySpark Streaming JDBC。

PySpark JDBC 概述

在 PySpark 中支持通过 JDBC 的方式连接到其他数据库获取数据生成 DataFrame,当然也同样可以使用 Spark SQL 去读写数据库。除了 JDBC 数据源外,还支持

Parquet

JSON

Hive

等数据源。

PySpark JDBC

在学习 PySpark Streaming JDBC 之前,我们先来了解一下在 PySpark 中如何使用 JDBC。

需求:

  • 读取 Mysql 中的数据;
  • 往 Mysql 中写入数据。

首先,打开右侧命令行窗口,等待连接后,进入 MySQL,任意创建一个库,在该库中任意创建一张表,任意写入一些数据。

# 启动 mysql 服务
service mysql start
# 进入 mysql
mysql -uroot -p123123
# 创建 test 库
create database ifnot exists test;# 创建表
use test;
create table ifnot exists student(idint,
name varchar(50),classvarchar(50));# 数据写入
insert into  student values(1,"zhangsan","A");
insert into  student values(2,"lisi","B");
insert into  student values(3,"wangwu","C");

创建完成后,进入

python3 shell

界面。

python3

,

开始编写程序,第一步,先导入相关包

from findspark import init
init()from pyspark import SparkConf, SparkContext
from pyspark.sql import SparkSession

第二步,创建 Spark 对象

spark = SparkSession.builder.appName("read_mysql").master("local[*]").getOrCreate()

第三步,读取 Mysql 中的数据

dataFrame = spark.read.format("jdbc").option("driver","com.mysql.jdbc.Driver").option("url","jdbc:mysql://localhost:3306/test").option("dbtable","student").option("user","root").option("password","123123").load()

第四步,输出读取的数据

# 注意,show() 方法默认只会显示前 20 行数据。
dataFrame.show()

输出结果如图所示: ,

第五步,将读取的数据以追加的方式写入库中

dataFrame.write.format("jdbc").option("driver","com.mysql.jdbc.Driver").option("url","jdbc:mysql://localhost:3306/test").option("dbtable","student").option("user","root").option("password","123123").mode(saveMode="append").save()

进入 Mysql 中查看结果:

# 进入 Mysql
mysql -uroot -p123123
# 查询数据select*from test.student;

,

PySpark Streaming JDBC

通过对 PySpark JDBC 的学习,我们了解了在 Python 中是如何使用 JDBC 的,现在来学习 PySpark Streaming JDBC 的连接方式。

需求:通过读取套接字流,进行词频统计,将数据写入 Mysql 中。

首先,打开右侧命令行窗口,等待连接后,进入 MySQL,创建

spark

库,在该库中创建

wordcount

表。

# 启动 mysql 服务
service mysql start# 进入 mysql
mysql -uroot -p123123
# 创建 test 库createdatabaseifnotexists spark;# 创建表use spark;createtableifnotexists wordcount(
word varchar(50),
count int);

创建完成后,进入主目录

/root

,创建代码文件

mysql.py

,对其进行编辑。

cd /root
vi mysql.py

开始编写程序,第一步,先导入相关包

from findspark import init
init()import time
import pymysql
from pyspark import SparkContext
from pyspark.streaming import StreamingContext

第二步,创建 Spark 环境与检查点

sc = SparkContext(appName="mysql_streaming", master="local[*]")
ssc = StreamingContext(sc,10)# 设置套接字流信息
inputStream = ssc.socketTextStream("localhost",7777)# 设置检查点
ssc.checkpoint("/usr/local/spark")

第三步,对数据进行相关操作

# 累加器(状态更新)defupdateFunction(newValues, runningCount):if runningCount isNone:
        runningCount =0returnsum(newValues, runningCount)
pairs = inputStream.flatMap(lambda x: x.split(" ")).filter(lambda x: x !="").map(lambda x:(x,1))
wordCounts = pairs.updateStateByKey(updateFunction)
wordCounts.pprint(100)

第四步,写入 Mysql 处理

defdbfunc(records):
    db = pymysql.connect("localhost","root","123123","spark")
    cursor = db.cursor()defdoinsert(p):
        sql ="insert into wordcount(word,count) values ('%s', '%s')"%(str(p[0]),str(p[1]))try:
            cursor.execute(sql)
            db.commit()except:
            db.rollback()for item in records:
        doinsert(item)deffunc(rdd):
    repartitionedRDD = rdd.repartition(3)
    repartitionedRDD.foreachPartition(dbfunc)
wordCounts.foreachRDD(func=func)

第五步,启动与停止

ssc.start()
time.sleep(30)
ssc.stop()

第六步,新增一个命令行窗口,启动数据流服务

nc-l-p7777

第七步,返回代码文件窗口,运行程序

python3 /root/mysql.py

第八步,程序启动后,切换到数据流服务窗口,输入如下数据:

hello pyspark
hello pyspark streaming
hello jdbc

程序结束后,进入 Mysql 中查看结果:

# 进入 Mysql
mysql -uroot -p123123
# 查询数据selectdistinct(word),count from spark.wordcount;

结果如图所示:

,

编程要求

打开右侧代码文件窗口,在 BeginEnd 区域补充代码,执行程序,读取套接字流数据,按空格进行分词,完成词频统计。在 Mysql 中创建

work

数据库,在该库中创建表

wordcount

,添加字段

word

(字符型),字段

count

(整型),将词频统计结果写入该表中。

代码文件目录:

/data/workspace/myshixun/project/step1/work.py

套接字流相关信息:

  • 地址:localhost
  • 端口:8888
  • 输入数据:

待程序启动后(5s),请在 60 秒内写入数据,如果需要调整时间,你可以通过修改代码文件中

time.sleep(60)

来指定时间。

When summer comes, people like to go to the beach and play in the seawater.
It is such a good way to drive away the hotness.
But it has been reported that many people drawn while they were swimming on the beach. 
The people who died were good at swimming, the reason they got killed was the invisible demon under the seawater. 
In the afternoon, there are some vortexes under the seawater, which people can’t see. 
When people go swimming, they will be absorbed by the vortexes, even though they are good at swimming, they can’t resist the strong power.
So when we go to play in the beach, we must take care.

输入内容后,注意按回车。

Mysql 信息:

  • 账号:root
  • 密码:123123
  • 地址:localhost
  • 端口:3306

请在程序运行完成后再进行评测,否则会影响最终结果。

测试说明

平台将对你编写的代码进行评测,如果与预期结果一致,则通关,否则测试失败。

答案代码

from findspark import init
init()import time
import pymysql
from pyspark import SparkContext
from pyspark.streaming import StreamingContext

sc = SparkContext(appName="mysql_streaming", master="local[*]")

ssc = StreamingContext(sc,10)# 设置检查点
ssc.checkpoint("/usr/local/work")# 累加器(状态更新)defupdateFunction(newValues, runningCount):if runningCount isNone:
        runningCount =0returnsum(newValues, runningCount)# 设置套接字流############### Begin ###############
inputStream = ssc.socketTextStream("localhost",8888)############### End ###############

pairs = inputStream.flatMap(lambda x: x.split(" ")).filter(lambda x: x !="").map(lambda word:(word,1))

wordCounts = pairs.updateStateByKey(updateFunction)

wordCounts.pprint(100)defdbfunc(records):# 根据传入的 records 参数,完成数据写入 Mysql 操作############### Begin ################ 连接 MySQL 数据库
    connection = pymysql.connect(
        host='localhost',
        user='root',
        password='123123',
        database='work',
        port=3306,)with connection.cursor()as cursor:# 根据传入的 records 参数,完成数据写入 Mysql 操作for record in records:
            word, count = record
            cursor.execute('INSERT INTO wordcount (word, count) VALUES (%s, %s)',(word, count))

    connection.commit()
    connection.close()############### End ################ 分区设置deffunc(rdd):
    repartitionedRDD = rdd.repartition(3)
    repartitionedRDD.foreachPartition(dbfunc)

wordCounts.foreachRDD(func=func)

ssc.start()

time.sleep(60)

ssc.stop()

打开一个命令行窗口

# 启动 mysql 服务service mysql start
# 进入 mysql
mysql -uroot-p123123# 创建 test 库
create database if not exists work;# 创建表
use work;
create table if not exists wordcount(
    word varchar(50),
    count int
);# 退出 mysqlexit# 创建检查点目录mkdir-p /usr/local/work/
nc-l-p8888

再打开一个窗口

chmod777 /data/workspace/myshixun/project/step1/work.py
python3 /data/workspace/myshixun/project/step1/work.py # 现在开始运行代码文件,请在 60 秒内创建文件并写入下面数据

回到第一个窗口,把下面数据粘贴上去再打一个回车

When summer comes, people like to go to the beach and play in the seawater.
It is such a good way to drive away the hotness.
But it has been reported that many people drawn while they were swimming on the beach. 
The people who died were good at swimming, the reason they got killed was the invisible demon under the seawater. 
In the afternoon, there are some vortexes under the seawater, which people can’t see. 
When people go swimming, they will be absorbed by the vortexes, even though they are good at swimming, they can’t resist the strong power.
So when we go to play in the beach, we must take care.

第2关:Kafka 数据源

任务描述

本关任务:读取 Kafka 生产的数据,完成输出。

相关知识

为了完成本关任务,你需要掌握:

  1. Kafka 概述;
  2. Kafka 使用基础;
  3. PySpark Streaming Kafka。

Kafka 概述

Kafka 就是一个分布式的用于消息存储的发布订阅模式的消息队列。一般用于大数据的流式处理中。 具有高水平扩展性、高容错性、访问速度快、分布式等特性,主要应用场景是日志收集系统和消息系统。但是随着 Kafka 的快速发展,也被应用于高性能数据管道、数据集成、流分析等。

img

Kafka 使用基础

在学习 Pyspark streaming Kafka 之前,我们先来学习一下 Kafka 的使用基础。

首先,打开右侧命令行窗口,等待连接后,启动 Kafka 服务

# kafka 依赖 zookeeper,所以需要先启动 zookeeper 服务cd /opt/zookeeper
bin/zkServer.sh start conf/zoo.cfg
# 启动 Kafka 服务cd /opt/kafka
bin/kafka-server-start.sh -daemon config/server.properties

检查服务是否启动成功,输入

jps

后,出现如下所示,表示启动成功: ,

创建 topic

bin/kafka-topics.sh --zookeeper localhost:2181 --create --replication-factor 1--partitions1--topic first 

这个

topic

first

2181

zookeeper

默认的端口号,

partition

topic

里面的分区数,

replication-factor

是备份的数量,在 kafka 集群中使用,这里单机版就不用备份了。

查看当前服务器中的所有 topic

bin/kafka-topics.sh --zookeeper localhost:2181 --list

,

创建 producer 生产者

在 xxx 节点发送消息。

bin/kafka-console-producer.sh --broker-list xxx:9092 --topic first

创建 consumer 消费者

在 xxx 节点接收消息。

bin/kafka-console-consumer.sh --zookeeper xxx:2181 --from-beginning --topic first

删除 topic

bin/kafka-topics.sh --zookeeper master:2181 --delete--topic first

PySpark Streaming Kafka

通过对 Kafka 基础使用的学习,现在来通过一个案例学习在 PySpark Streaming 中如何连接 Kafka。

需求:消费 Kafka 生产的数据,完成输出。

首先,打开右侧命令行窗口,等待连接后,启动 Kafka 服务。

# 启动 zookeeper 服务cd /opt/zookeeper
bin/zkServer.sh start conf/zoo.cfg
# 启动 Kafka 服务cd /opt/kafka
bin/kafka-server-start.sh -daemon config/server.properties

创建 topic

bin/kafka-topics.sh --zookeeper localhost:2181 --create --replication-factor 1--partitions1--topictest

**新增一个命令行窗口,等待连接后,在

/root

目录下创建

test.py

程序文件**

cd /root
touch test.py

**编辑文件

test.py

,编写程序,第一步,导入相关文件包。**

from pyspark.sql import SparkSession

第二步,创建 Spark 环境

spark=SparkSession.builder.appName("kafka_stream").master("local[*]").getOrCreate()

第三步,创建 Kafka 数据流

在 pyspark 中,我们通过

KafkaUtils.createStream()

方法创建 Kafka 数据流,但该方法在

Spark 3.0

中以及弃用,现在采用

spark.readStream.format("kafka")

方法来创建 Kafka 数据流。

df = spark \
    .readStream \
    .format("kafka") \
    # 绑定 Kafka 生产地址.option("kafka.bootstrap.servers","localhost:9092") \
    # 订阅 topic.option("subscribe","test") \
    # 设置偏移量(最新).option("startingOffsets","latest") \
    .load()

第四步,收集数据

table = df.selectExpr("CAST(value AS STRING)")

第五步,输出到屏幕,启动程序

table.writeStream \
    # 指定监听间隔时间.trigger(processingTime='5 seconds') \
    # 输出方式.outputMode("append") \
    # 不将内容进行清空.option("truncate","false")\
    .format("console") \
    .start() \
    # 60 秒后停止程序.awaitTermination(timeout=60)

编写完程序后,保存退出,切换到 Kafka 服务的命令行窗口,创建生产者。

cd /opt/kafka
bin/kafka-console-producer.sh --broker-list localhost:9092 --topictest

第六步,返回编写程序文件的命令行窗口,运行程序

spark-submit --master local[*] --driver-class-path /opt/kafka/libs/kafka-clients-2.8.0.jar --packages org.apache.spark:spark-sql-kafka-0-10_2.12:3.0.2 --jars /opt/spark/jars/spark-streaming-kafka-0-10-assembly_2,12-3,0,2.jar --py-files test.zip test.py 

注意,运行程序前需要先压缩程序文件,压缩命令语法如下:

zip  压缩后文件名.zip  原文件名

第七步,程序启动后,切换到 Kafka 数据流服务窗口,输入如下数据:

hello kafka
hello pyspark streaming
I love big data

结果如图所示:

,

编程要求

打开右侧代码文件窗口,在 BeginEnd 区域补充代码。 在 Kafka 中创建一个

topic

,作为一个生产者,完善程序,读取 Kafka 流数据并以

append

方式输出。通过

spark-submit

的方式运行代码文件,将输出信息保存到

/data/workspace/myshixun/project/step2/result.txt

结果文件中。

代码文件目录:

/data/workspace/myshixun/project/step2/work.py

Kafka 相关信息:

  • Kafka 主目录:/opt/kafka
  • Zookeeper 主目录:/opt/zookeeper
  • Zookeeper 地址:localhost:2181

Kafka 输入内容:

程序启动后(15s左右),请在 60 秒内写入数据,如果需要调整时间,你可以通过修改代码文件中

.awaitTermination(timeout=60)

timeout

指定时间。

Hello world!
Hello python!
Hello spark!
Hello Kafka!
I love bigdata.

提交命令:

注意压缩文件。

spark-submit --master local[*]--packages org.apache.spark:spark-sql-kafka-0-10_2.12:3.0.2 --py-files xxx.zip xxx.py > /data/workspace/myshixun/project/step2/result.txt

请等待程序运行完成后进行评测,否则会影响最终结果。

测试说明

平台将对你编写的代码进行评测,如果与预期结果一致,则通关,否则测试失败。

答案代码

from pyspark.sql import SparkSession
  
spark = SparkSession.builder.appName("kafka_stream").master("local[*]").getOrCreate()############### Begin ###############

df = spark \
    .readStream \
    .format("kafka") \
    .option("kafka.bootstrap.servers","localhost:9092") \
    .option("subscribe","test") \
    .option("startingOffsets","latest") \
    .load()

table = df.selectExpr("CAST(value AS STRING) as message")

table.writeStream \
    .trigger(processingTime='5 seconds') \
    .outputMode("append") \
    .option("truncate","false")\
    .format("console") \
    .start() \
    .awaitTermination(timeout=60)############### Begin ###############

进入右侧命令行窗口

# kafka 依赖 zookeeper,所以需要先启动 zookeeper 服务cd /opt/zookeeper
bin/zkServer.sh start conf/zoo.cfg
# 启动 Kafka 服务cd /opt/kafka
bin/kafka-server-start.sh -daemon config/server.properties
# 创建 topic
bin/kafka-topics.sh --zookeeper localhost:2181 --create --replication-factor 1--partitions1--topictest# 创建 producer 生产者
bin/kafka-console-producer.sh --broker-list localhost:9092 --topictest

再打开一个命令行窗口

cd /data/workspace/myshixun/project/step2/
zip work.zip work.py
spark-submit --master local[*]--packages org.apache.spark:spark-sql-kafka-0-10_2.12:3.0.2 --py-files work.zip work.py > result.txt

回到前一个命令行窗口,在程序启动 15s 左右时间后再填入下面数据,并且在 60s 内完成写入

Hello world!
Hello python!
Hello spark!
Hello Kafka!
I love bigdata.
标签: pyspark streaming Kafka

本文转载自: https://blog.csdn.net/qq_61828116/article/details/135255155
版权归原作者 撕得失败的标签 所有, 如有侵权,请联系我们删除。

“【头歌实训】PySpark Streaming 数据源”的评论:

还没有评论