transform以及实时黑名单过滤案例实战
transform操作，应用在DStream上时，可以用于执行任意的RDD到RDD的转换操作。它可以用于实现，DStream API中所没有提供的操作。比如说，DStream API中，并没有提供将一个DStream中的每个batch，与一个特定的RDD进行join的操作。但是我们自己就可以使用transform操作来实现该功能。
DStream.join()，只能join其他DStream。在DStream每个batch的RDD计算出来之后，会去跟其他DStream的RDD进行join。
案例：广告计费日志实时黑名单过滤
Java版本
public class TransformBlacklist {
public static void main(String[] args) {
SparkConf conf = new SparkConf().setAppName("TransformBlacklistJava").setMaster("local[2]");
JavaStreamingContext streamingContext = new JavaStreamingContext(conf, Durations.seconds(10));
// 用户对我们的网站上的广告可以进行点击
// 点击之后，是不是要进行实时计费，点一下，算一次钱
// 但是，对于那些帮助某些无良商家刷广告的人，那么我们有一个黑名单
// 只要是黑名单中的用户点击的广告，我们就给过滤掉
// 先做一份模拟的黑名单RDD
List<Tuple2<String, Boolean>> blacklist = new ArrayList<Tuple2<String, Boolean>>();
blacklist.add(new Tuple2<String, Boolean>("tom", true));
final JavaPairRDD<String, Boolean> blacklistRDD = streamingContext.sc().parallelizePairs(blacklist);
// 这里的日志格式，就简化一下，就是date username的方式
JavaReceiverInputDStream<String> adsClickLogDStream = streamingContext.socketTextStream("hadoop-100", 9999);
// 所以，要先对输入的数据，进行一下转换操作，变成，(username, date username)
// 以便于，后面对每个batch RDD，与定义好的黑名单RDD进行join操作
JavaPairDStream<String, String> userAdsClickLogDStream = adsClickLogDStream.mapToPair(new PairFunction<String, String, String>() {
@Override
public Tuple2<String, String> call(String s) throws Exception {
return new Tuple2<>(s.split(" ")[1], s);
}
});
// 然后，就可以执行transform操作了，将每个batch的RDD，与黑名单RDD进行join、filter、map等操作,实时进行黑名单过滤
JavaDStream<String> validAdsClickLogDStream = userAdsClickLogDStream.transform(new Function<JavaPairRDD<String, String>, JavaRDD<String>>() {
@Override
public JavaRDD<String> call(JavaPairRDD<String, String> userAdsClickLogRDD) throws Exception {
// 这里为什么用左外连接？
// 因为，并不是每个用户都存在于黑名单中的
// 所以，如果直接用join，那么没有存在于黑名单中的数据，会无法join到,就给丢弃掉了
// 所以，这里用leftOuterJoin，就是说，哪怕一个user不在黑名单RDD中，没有join到,也还是会被保存下来的
JavaPairRDD<String, Tuple2<String, Optional<Boolean>>> joinRDD = userAdsClickLogRDD.leftOuterJoin(blacklistRDD);
// 连接之后，执行filter算子
JavaPairRDD<String, Tuple2<String, Optional<Boolean>>> filterRDD = joinRDD.filter(new Function<Tuple2<String, Tuple2<String, Optional<Boolean>>>, Boolean>() {
@Override
public Boolean call(Tuple2<String, Tuple2<String, Optional<Boolean>>> v1) throws Exception {
// 这里的tuple，就是每个用户，对应的访问日志，和在黑名单中的状态
if (v1._2._2.isPresent() && v1._2._2.get()) {
return false;
}
return true;
}
});
// 此时，filteredRDD中，就只剩下没有被黑名单过滤的用户点击了
// 进行map操作，转换成我们想要的格式
JavaRDD<String> validAdsClickLogRDD = filterRDD.map(new Function<Tuple2<String, Tuple2<String, Optional<Boolean>>>, String>() {
@Override
public String call(Tuple2<String, Tuple2<String, Optional<Boolean>>> v1) throws Exception {
return v1._2._1;
}
});
return validAdsClickLogRDD;
}
});
// 打印有效的广告点击日志
// 其实在真实企业场景中，这里后面就可以走写入kafka、ActiveMQ等这种中间件消息队列
// 然后再开发一个专门的后台服务，作为广告计费服务，执行实时的广告计费，这里就是只拿到了有效的广告点击
validAdsClickLogDStream.print();
streamingContext.start();
streamingContext.awaitTermination();
streamingContext.close();
}
}
Scala版本
object TransformBlacklist {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName("TransformBlacklistScala").setMaster("local[2]")
val streamingContext = new StreamingContext(conf,Seconds(30))
val blacklist = Array(("tom", true))
val blacklistRDD = streamingContext.sparkContext.parallelize(blacklist)
val adsClickLogDStream = streamingContext.socketTextStream("hadoop-100", 9999)
val userAdsClickLogDStream = adsClickLogDStream.map(s => (s.split(" ")(1), s))
val validAdsClickLogRDD = userAdsClickLogDStream.transform(userAdsClickLogRDD => {
val joinRDD = userAdsClickLogRDD.leftOuterJoin(blacklistRDD)
val filterRDD = joinRDD.filter( f => {
if(f._2._2.getOrElse(false)) false
else true
})
val validAdsClickLogRDD = filterRDD.map(f => f._2._1)
validAdsClickLogRDD
})
validAdsClickLogRDD.print()
streamingContext.start()
streamingContext.awaitTermination()
}
}
