Question

我是Spark的新手，请指导。

有很多可用的示例与使用Scala的Spark流相关。

您可以从https://github.com/apache/incubator-spark/tree/master/examples/src/main/scala/org/apache/spark/streaming/examples查看。

我想运行TwitterPopularTags.scala。

我无法为此示例设置Twitter登录详细信息。

http://spark.incubator.apache.org/docs/latest/streaming-programming-guide.html#linking-with-spark-streaming

我成功运行了网络计数示例。

但是当我执行
时 ./run-example org.apache.spark.streaming.examples.TwitterPopularTags local[2] 然后它会告诉我身份验证失败问题...

我在TwitterPopularTags.scala中初始化字符串上下文之前设置了Twitter登录详细信息，如

 System.setProperty("twitter4j.oauth.consumerKey", "####");
 System.setProperty("twitter4j.oauth.consumerSecret", "##");
 System.setProperty("twitter4j.oauth.accessToken", "##");
 System.setProperty("twitter4j.oauth.accessTokenSecret", "##");

请指导。

Answer 1

在运行Twitter示例之前，将文件“twitter4j.properties”放入Spark根目录（例如spark-0.8.0-incubating）。

twitter4j.properties：

oauth.consumerKey=***
oauth.consumerSecret=***
oauth.accessToken=***
oauth.accessTokenSecret=***

使用Scala示例在Mac上为我工作。

Answer 2

我无法打开github链接https://github.com/apache/incubator-spark/tree/master/examples/src/main/scala/org/apache/spark/streaming/examples。

但是你可以使用下面对我有用的代码。

import org.apache.spark.streaming.{ Seconds, StreamingContext }
import org.apache.spark.SparkContext._
import org.apache.spark.streaming.twitter._
import org.apache.spark.SparkConf
import org.apache.spark.streaming._
import org.apache.spark.{ SparkContext, SparkConf }
import org.apache.spark.storage.StorageLevel
import org.apache.spark.streaming.flume._

/**
 * A Spark Streaming application that receives tweets on certain 
 * keywords from twitter datasource and find the popular hashtags
 * 
 * Arguments: <comsumerKey> <consumerSecret> <accessToken> <accessTokenSecret> <keyword_1> ... <keyword_n>
 * <comsumerKey>        - Twitter consumer key 
 * <consumerSecret>     - Twitter consumer secret
 * <accessToken>        - Twitter access token
 * <accessTokenSecret>  - Twitter access token secret
 * <keyword_1>          - The keyword to filter tweets
 * <keyword_n>          - Any number of keywords to filter tweets
 * 
 * More discussion at stdatalabs.blogspot.com
 * 
 * @author Sachin Thirumala
 */

object SparkPopularHashTags {
  val conf = new SparkConf().setMaster("local[4]").setAppName("Spark Streaming - PopularHashTags")
  val sc = new SparkContext(conf)

  def main(args: Array[String]) {

    sc.setLogLevel("WARN")

    val Array(consumerKey, consumerSecret, accessToken, accessTokenSecret) = args.take(4)
    val filters = args.takeRight(args.length - 4)

    // Set the system properties so that Twitter4j library used by twitter stream
    // can use them to generat OAuth credentials
    System.setProperty("twitter4j.oauth.consumerKey", consumerKey)
    System.setProperty("twitter4j.oauth.consumerSecret", consumerSecret)
    System.setProperty("twitter4j.oauth.accessToken", accessToken)
    System.setProperty("twitter4j.oauth.accessTokenSecret", accessTokenSecret)

    // Set the Spark StreamingContext to create a DStream for every 5 seconds
    val ssc = new StreamingContext(sc, Seconds(5))
    // Pass the filter keywords as arguements

    //  val stream = FlumeUtils.createStream(ssc, args(0), args(1).toInt)  
    val stream = TwitterUtils.createStream(ssc, None, filters)

    // Split the stream on space and extract hashtags 
    val hashTags = stream.flatMap(status => status.getText.split(" ").filter(_.startsWith("#")))

    // Get the top hashtags over the previous 60 sec window
    val topCounts60 = hashTags.map((_, 1)).reduceByKeyAndWindow(_ + _, Seconds(60))
      .map { case (topic, count) => (count, topic) }
      .transform(_.sortByKey(false))

    // Get the top hashtags over the previous 10 sec window
    val topCounts10 = hashTags.map((_, 1)).reduceByKeyAndWindow(_ + _, Seconds(10))
      .map { case (topic, count) => (count, topic) }
      .transform(_.sortByKey(false))

    // print tweets in the currect DStream 
    stream.print()

    // Print popular hashtags  
    topCounts60.foreachRDD(rdd => {
      val topList = rdd.take(10)
      println("\nPopular topics in last 60 seconds (%s total):".format(rdd.count()))
      topList.foreach { case (count, tag) => println("%s (%s tweets)".format(tag, count)) }
    })
    topCounts10.foreachRDD(rdd => {
      val topList = rdd.take(10)
      println("\nPopular topics in last 10 seconds (%s total):".format(rdd.count()))
      topList.foreach { case (count, tag) => println("%s (%s tweets)".format(tag, count)) }
    })

    ssc.start()
    ssc.awaitTermination()
  }
}

<强>解释
setMaster("local[4]") - 确保将master设置为本地模式且至少有2个线程，因为1个线程用于收集传入流，另一个线程用于处理它。

我们使用以下代码计算流行的主题标签：

val topCounts60 = hashTags.map((_, 1)).reduceByKeyAndWindow(_ + _, Seconds(60))
      .map { case (topic, count) => (count, topic) }
      .transform(_.sortByKey(false))

上面的代码段对reduceByKeyAndWindow中指定的前60/10秒的主题标签进行了字数统计，并按降序对其进行排序。

如果我们必须对先前流间隔中累积的数据应用转换，则使用

reduceByKeyAndWindow。

通过传递四个twitter OAuth令牌作为参数来执行代码：

你应该每10/60秒间隔看到流行的主题标签。

您可以通过以下链接整合火花流和风暴与水槽和卡夫卡来检查类似的项目：

Spark Streaming：

Spark Streaming第1部分：实时Twitter情绪分析 http://stdatalabs.blogspot.in/2016/09/spark-streaming-part-1-real-time.html

Spark第2部分：使用Flume进行实时Twitter情绪分析 http://stdatalabs.blogspot.in/2016/09/spark-streaming-part-2-real-time_10.html

Spark第3部分：使用kafka进行实时Twitter情绪分析 http://stdatalabs.blogspot.in/2016/09/spark-streaming-part-3-real-time.html

使用kafka集成的Spark Streaming中的数据保证 http://stdatalabs.blogspot.in/2016/10/data-guarantees-in-spark-streaming-with.html

风暴：

使用Apache Storm进行实时流处理 - 第1部分 http://stdatalabs.blogspot.in/2016/09/realtime-stream-processing-using-apache.html

使用Apache Storm和Kafka进行实时流处理 - 第2部分 http://stdatalabs.blogspot.in/2016/10/real-time-stream-processing-using.html

如何使用scala运行Twitter流行的Spark流媒体标签？

2 个答案: