1.背景介紹

流式計算一個很常見的場景是基于事件時間進行處理，常用于檢測、監(jiān)控、根據(jù)時間進行統(tǒng)計等系統(tǒng)中。比如埋點日志中每條日志記錄了埋點處操作的時間，或者業(yè)務(wù)系統(tǒng)中記錄了用戶操作時間，用于統(tǒng)計各種操作處理的頻率等，或者根據(jù)規(guī)則匹配，進行異常行為檢測或監(jiān)控系統(tǒng)告警。這樣的時間數(shù)據(jù)都會包含在事件數(shù)據(jù)中，需要提取時間字段并根據(jù)一定的時間范圍進行統(tǒng)計或者規(guī)則匹配等。
使用Spark Streaming SQL可以很方便的對事件數(shù)據(jù)中的時間字段進行處理，同時Spark Streaming SQL提供的時間窗口函數(shù)可以將事件時間按照一定的時間區(qū)間對數(shù)據(jù)進行統(tǒng)計操作。
本文通過講解一個統(tǒng)計用戶在過去5秒鐘內(nèi)點擊網(wǎng)頁次數(shù)的案例，介紹如何使用Spark Streaming SQL對事件時間進行操作。

2.時間窗語法說明

Spark Streaming SQL支持兩類窗口操作：滾動窗口（TUMBLING）和滑動窗口（HOPPING）。

2.1滾動窗口

滾動窗口（TUMBLING）根據(jù)每條數(shù)據(jù)的時間字段將數(shù)據(jù)分配到一個指定大小的窗口中進行操作，窗口以窗口大小為步長進行滑動，窗口之間不會出現(xiàn)重疊。例如：如果指定了一個5分鐘大小的滾動窗口，數(shù)據(jù)會根據(jù)時間劃分到?[0:00 - 0:05)、?[0:05, 0:10)、[0:10, 0:15)等窗口。

• 語法

GROUP BY TUMBLING ( colName, windowDuration )

• 示例

對inventory表的inv_data_time時間列進行窗口操作，統(tǒng)計inv_quantity_on_hand的均值；窗口大小為1分鐘。

SELECT avg(inv_quantity_on_hand) qoh FROM inventory GROUP BY TUMBLING (inv_data_time, interval 1 minute)

2.2滑動窗口

滑動窗口（HOPPING），也被稱作Sliding Window。不同于滾動窗口，滑動窗口可以設(shè)置窗口滑動的步長，所以窗口可以重疊。滑動窗口有兩個參數(shù)：windowDuration和slideDuration。slideDuration為每次滑動的步長，windowDuration為窗口的大小。當slideDuration <?windowDuration時窗口會重疊，每個元素會被分配到多個窗口中。
所以，滾動窗口其實是滑動窗口的一種特殊情況，即slideDuration =?windowDuration則等同于滾動窗口。

• 語法

GROUP BY HOPPING ( colName, windowDuration, slideDuration )

• 示例

對inventory表的inv_data_time時間列進行窗口操作，統(tǒng)計inv_quantity_on_hand的均值；窗口為1分鐘，滑動步長為30秒。

SELECT avg(inv_quantity_on_hand) qoh FROM inventory GROUP BY HOPPING (inv_data_time, interval 1 minute, interval 30 second)

3.系統(tǒng)架構(gòu)

業(yè)務(wù)日志收集到Aliyun SLS后，Spark對接SLS，通過Streaming SQL對數(shù)據(jù)進行處理并將統(tǒng)計后的結(jié)果寫入HDFS中。后續(xù)的操作流程主要集中在Spark Streaming SQL接收SLS數(shù)據(jù)并寫入HDFS的部分，有關(guān)日志的采集請參考日志服務(wù)。

4.操作流程

4.1環(huán)境準備

• 創(chuàng)建E-MapReduce?3.21.0以上版本的Hadoop集群。
• 下載并編譯E-MapReduce-SDK包

git clone git@github.com:aliyun/aliyun-emapreduce-sdk.git cd aliyun-emapreduce-sdk git checkout -b master-2.x origin/master-2.x mvn clean package -DskipTests

編譯完后, assembly/target目錄下會生成emr-datasources_shaded_${version}.jar，其中${version}為sdk的版本。

4.2創(chuàng)建表

命令行啟動spark-sql客戶端

spark-sql --master yarn-client --num-executors 2 --executor-memory 2g --executor-cores 2 --jars emr-datasources_shaded_2.11-${version}.jar --driver-class-path emr-datasources_shaded_2.11-${version}.jar

創(chuàng)建SLS和HDFS表

spark-sql> CREATE DATABASE IF NOT EXISTS default; spark-sql> USE default;-- 數(shù)據(jù)源表 spark-sql> CREATE TABLE IF NOT EXISTS sls_user_log USING loghub OPTIONS ( sls.project = "${logProjectName}", sls.store = "${logStoreName}", access.key.id = "${accessKeyId}", access.key.secret = "${accessKeySecret}", endpoint = "${endpoint}");--結(jié)果表 spark-sql> CREATE TABLE hdfs_user_click_count USING org.apache.spark.sql.json OPTIONS (path '${hdfsPath}');

4.3統(tǒng)計用戶點擊數(shù)

spark-sql>SET streaming.query.name=user_click_count; spark-sql>SET spark.sql.streaming.checkpointLocation.user_click_count=hdfs:///tmp/spark/sql/streaming/test/user_click_count; spark-sql>insert into hdfs_user_click_count select sum(cast(action_click as int)) as click, userId, window from sls_user_log where delay(__time__)<"1 minute" group by TUMBLING(__time__, interval 5 second), userId;

其中，內(nèi)建函數(shù)delay()用來設(shè)置Streaming SQL中的watermark，后續(xù)會有專門的文章介紹Streaming SQL watermark的相關(guān)內(nèi)容。

4.4查看結(jié)果

可以看到，產(chǎn)生的結(jié)果會自動生成一個window列，包含窗口的起止時間信息。

5.結(jié)語

本文簡要介紹了流式處理中基于事件時間進行處理的場景，以及Spark Streaming SQL時間窗口的相關(guān)內(nèi)容，并通過一個簡單案例介紹了時間窗口的使用。后續(xù)文章，我將介紹Spark Streaming SQL的更多內(nèi)容。

原文鏈接
本文為云棲社區(qū)原創(chuàng)內(nèi)容，未經(jīng)允許不得轉(zhuǎn)載。

總結(jié)

以上是生活随笔為你收集整理的使用Spark Streaming SQL基于时间窗口进行数据统计的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。