实时ETL开发之流计算程序【编程】
编写完成从Kafka消费数据，打印控制台上，其中创建SparkSession实例对象时，需要设置参数值。
package cn.itcast.logistics.etl.realtime
import cn.itcast.logistics.common.Configuration
import org.apache.commons.lang3.SystemUtils
import org.apache.spark.SparkConf
import org.apache.spark.sql.streaming.OutputMode
import org.apache.spark.sql.{DataFrame, SparkSession}
/**
* 编写StructuredStreaming程序，实时从Kafka消息数据（物流相关数据和CRM相关数据），打印控制台Console
* 1. 初始化设置Spark Application配置
* 2. 判断Spark Application运行模式进行设置
* 3. 构建SparkSession实例对象
* 4. 初始化消费物流Topic数据参数
* 5. 消费物流Topic数据，打印控制台
* 6. 初始化消费CRM Topic数据参数
* 7. 消费CRM Topic数据，打印控制台
* 8. 启动流式应用，等待终止
*/
object LogisticsEtlApp {
def main(args: Array[String]): Unit = {
// step1. 构建SparkSession实例对象，设置相关属性参数值
// 1. 初始化设置Spark Application配置
val sparkConf = new SparkConf()
.setAppName(this.getClass.getSimpleName.stripSuffix("$"))
.set("spark.sql.session.timeZone", "Asia/Shanghai")
.set("spark.sql.files.maxPartitionBytes", "134217728")
.set("spark.sql.files.openCostInBytes", "134217728")
.set("spark.sql.shuffle.partitions", "3")
.set("spark.sql.autoBroadcastJoinThreshold", "67108864")
// 2. 判断Spark Application运行模式进行设置
if (SystemUtils.IS_OS_WINDOWS || SystemUtils.IS_OS_MAC) {
//本地环境LOCAL_HADOOP_HOME
System.setProperty("hadoop.home.dir", Configuration.LOCAL_HADOOP_HOME)
//设置运行环境和checkpoint路径
sparkConf
.set("spark.master", "local[3]")
.set("spark.sql.streaming.checkpointLocation", Configuration.SPARK_APP_WIN_CHECKPOINT_DIR)
} else {
//生产环境
sparkConf
.set("spark.master", "yarn")
.set("spark.sql.streaming.checkpointLocation", Configuration.SPARK_APP_DFS_CHECKPOINT_DIR)
}
// 3. 构建SparkSession实例对象
val spark: SparkSession = SparkSession.builder()
.config(sparkConf)
.getOrCreate()
import spark.implicits._
// step2. 从Kafka实时消费数据，设置Kafka Server地址和Topic名称
// step3. 将ETL转换后数据打印到控制台，启动流式应用
// 4. 初始化消费物流Topic数据参数
val logisticsDF: DataFrame = spark.readStream
.format("kafka")
.option("kafka.bootstrap.servers", "node2.itcast.cn:9092")
.option("subscribe", "logistics")
.option("maxOffsetsPerTrigger", "100000")
.load()
// 5. 消费物流Topic数据，打印控制台
logisticsDF.writeStream
.queryName("query-logistics-console")
.outputMode(OutputMode.Append())
.format("console")
.option("numRows", "10")
.option("truncate", "false")
.start()
// 6. 初始化消费CRM Topic数据参数
val crmDF: DataFrame = spark.readStream
.format("kafka")
.option("kafka.bootstrap.servers", "node2.itcast.cn:9092")
.option("subscribe", "crm")
.option("maxOffsetsPerTrigger", "100000")
.load()
// 7. 消费CRM Topic数据，打印控制
crmDF.writeStream
.queryName("query-crm-console")
.outputMode(OutputMode.Append())
.format("console")
.option("numRows", "10")
.option("truncate", "false")
.start()
// step4. 流式应用启动以后，等待终止，关闭资源
// 8. 启动流式应用，等待终止
spark.streams.active.foreach(query => println("启动Query：" + query.name))
spark.streams.awaitAnyTermination()
}
}
SparkSQL 参数调优设置：
1）、设置会话时区：
set("spark.sql.session.timeZone", "Asia/Shanghai")2）、设置读取文件时单个分区可容纳的最大字节数
set("spark.sql.files.maxPartitionBytes", "134217728")3）、设置合并小文件的阈值：
set("spark.sql.files.openCostInBytes", "134217728")4）、设置 shuffle 分区数：
set("spark.sql.shuffle.partitions", "4")5）、设置执行 join 操作时能够广播给所有 worker 节点的最大字节大小
set("spark.sql.autoBroadcastJoinThreshold", "67108864")
