2

我是 Spark 的新手，所以请指导。

有很多与使用 Scala 的 Spark 流相关的示例。

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] ，它会向我显示身份验证失败问题......

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，例如

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

请指导。

4

2 回答 2

2

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。

于 2013-11-01T17:50:51.273 回答
1

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，您可以使用以下对我有用的代码。

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()
  }
}

说明：
setMaster("local[4]") - 确保将 master 设置为具有至少 2 个线程的本地模式，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))

上面的代码片段对之前 60/10 秒内的主题标签进行字数统计，reduceByKeyAndWindow并按降序对它们进行排序。

reduceByKeyAndWindow用于我们必须对在先前流间隔中累积的数据应用转换的情况。

通过将四个 twitter OAuth 令牌作为参数传递来执行代码： 在此处输入图像描述

您应该每隔 10/60 秒看到一次流行的主题标签。 在此处输入图像描述

您可以通过以下链接将 Spark Streaming 和 Storm 与 Flume 和 kafka 集成来检查类似的项目：

火花流：

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 流式传输第 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 流式传输第 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

Spark Streaming 中的数据保证与 kafka 集成 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

于 2016-11-03T10:10:46.510 回答