Spark流式传输计算平均值

Question

我以kafka格式接收数据，其中null是关键。

null,val1,val2,val3,val4,val5,val6,val7,...val23
null,val1,val2,val3,val4,val5,val6,val7,...val23
null,val1,val2,val3,val4,val5,val6,val7,...val23

我现在映射了值以删除空键并使用以下代码形成新的键和值对。

 val topics = Array("kafka-topic")
    val stream = KafkaUtils.createDirectStream[String, String](
    streamingContext,
    PreferConsistent,
    Subscribe[String, String](topics, kafkaParams)
    )
    streamingContext.checkpoint("hdfs:///hdfs/location")
    val record= stream.map(record=>record.value().toString)


    val rdds=record.transform
    {
    pps=>pps.flatMap(_.split(","))
    }

    val ppds= rdds.transform
`  `{
    pair=>pair.map(vals=>
(vals(2).toString(),Set(vals(1).toLong,vals(2),vals(3),vals(4),val(5),val(6),val(7)....val(23)
 }

其中vals（2）一个String将是键，其余22个值将是值。

我现在试图在20秒的时间窗口内获得每个键的所有值的平均值，并将每个键的计算平均值连续推送到数据存储（HBASE）。 。在批处理模式下，我知道有一个允许你这样做的aggregatebykey（）方法。

在流媒体模式下，如何实现这一目标？

还有一些值是字符串的可能性我如何跳过字符串的值并计算仅数值类型的平均值，同时不断推送更新到HBASE？

Answer 1

使用reduceByKeyAndWindow，

// Reduce last 30 seconds of data, every 10 seconds

val aggregateFunction = (a:Int,b:Int) => (a + b)
val pairDStream = // DStream contains (word,1)
val windowedWordCounts = pairDStream.reduceByKeyAndWindow(aggregateFunction, Seconds(30), Seconds(10))

以上示例将用于计算窗口期间的字数，而不是像上面那样使用简单的加法函数，您可以编写更复杂的聚合函数并将其与reduceByKeyAndWindow一起使用

欲获得更多信息 https://docs.cloud.databricks.com/docs/latest/databricks_guide/07%20Spark%20Streaming/10%20Window%20Aggregations.html

Answer 2

你可以使用这样的东西：

// Map each hashtag to a key/value pair of (hashtag, 1) so we can count them up by adding up the values
    val hashtagKeyValues = hashtags.map(hashtag => (hashtag, 1))

    // Now count them up over a 5 minute window sliding every one second
    val hashtagCounts = hashtagKeyValues.reduceByKeyAndWindow( (x,y) => x + y, (x,y) => x - y, Seconds(300), Seconds(1))
    //  You will often see this written in the following shorthand:
    //val hashtagCounts = hashtagKeyValues.reduceByKeyAndWindow( _ + _, _ -_, Seconds(300), Seconds(1))

    // Sort the results by the count values
    val sortedResults = hashtagCounts.transform(rdd => rdd.sortBy(x => x._2, false))