CN110909066A - 一种基于SparkSQL和RestAPI的流数据处理方法 - Google Patents

Abstract

本发明公开了一种基于SparkSQL和RestAPI的流数据处理方法，包括以下步骤：S1：初始化待封装的RestAPI算法库中的算法、S2：对初始化后的算法进行封装，封装成UDF格式、S3：对封装后的UDF进行注册、S4：组装流数据计算程序、S5：获取用户输入的SQL语句并执行。本发明是在传统SQL海量流数据计算的基础之上，提供了便捷的复杂算法计算支持，可以方便的使用SQL实现海量流数据的复杂算法计算能力。本发明能够实现了SQL对流数据的实时计算能力。

Description

一种基于SparkSQL和RestAPI的流数据处理方法

技术领域

本发明属于数据服务治理技术领域，具体涉及一种基于互联网大数据的服务提供方法。

背景技术

近年来，随着大数据时代的到来，数据呈现爆炸式增长，信息规模日益庞大,信息数据为企业的决策提供了坚实的信息基础，海量数据的生成对社会带来的冲击与变革是前所未有的，对于企业而言，如何快速高效的从数据中提取有用的价值成为新的挑战。传统数据以结构化数据为主，而现在来源于社交网站、电子商务、物联网的数据基本都是非结构化和半结构化的数据，传统数据用关系型数据库的管理系统可以实现有效的管理与使用，而现在数据因其大量、迅速、复杂、大大超出了传统数据库软件工具的能力范围，根据IDC报告，预计到2020年，全球数据使用量将达到35.2ZB，在如此海量的数据面前，处理数据的效率就意味着企业是否具备相应能力与竞争力，所以需要有一套易用、高可靠、高性能的数据分析系统。

公开号为CN108268639A的“一种大数据环境下的指标计算方法”提供了一种大数据环境下的指标计算方法，分离了指标计算调度代码和业务计算SQL，将数据的读取、预处理、计算、结果存储的SQL全部放入数据库，新增一个指标，只需要几条sql就能达到目的，基本上实现了零代码增加需求，但是此方案只能利用已有的SQL能力，无法扩展外部的RestAPI提供的算法能力，也就是无法实现复杂的SQL算法计算。

发明内容

本发明内容提供了一种基于SparkSQL和RestAPI的流数据处理方法，将基于RestAPI的复杂算法能力进行封装，提供给SQL进行组合使用，并且可以利用Spark分布式计算的特性，实现SQL级别的流数据快速复杂算法计算能力。

实现上述目的的技术方案是采用一种基于SparkSQL和RestAPI的流数据处理方法，包括以下步骤。

S1：初始化待封装的RestAPI算法库中的算法包含以下步骤；

S1.1：针对提供了RestAPI的算法库内容进行梳理；

S1.2：明确每一个复杂算法的输入和输出数据类型；

S1.3：将梳理后的信息存储到数据库中，以便后面使用；

S2：对初始化后的算法进行封装，封装成UDF格式；

S3：对封装后的UDF进行注册；

S4：组装流数据计算程序；

S4.1：首先初始化SparkSQL程序相关配置，获取SparkSession对象；

S4.2：获取输入Kafka数据源相关配置参数，根据指定的消费策略消费数据，获取DStream对象；

S4.3：根据输入Schema信息，将kafka中的数据类型映射为SparkSQL中的数据类型，先把每个原始字段根据schema转换成StructField，再把所有的StructField组装成StructType；

S4.4：根据输入Schema信息，将kafka中的每一行数据组装成一个Row对象，最终获取到一个RowRDD；

S4.5：根据StructType和RowRDD创建DataFrame，再通过DataFrame注册SparkSQL中的临时表，方便后面使用SQL查询数据；

S4.6：将步骤S3中注册的UDF函数导入这里，这样才可以在SQL中使用自定义的UDF函数；

S4.7：组装用户传递过来的SQL语句；

S4.8：获取目的地Kafka的相关配置参数以及输出Schema信息，根据输出Schema信息从SQL的执行结果中解析数据，将数据封装成Record对象，最终再把Record对象发送到目的地kafka中；

S5：获取用户输入的SQL语句并执行；

S5.1：将用户输入的SQL语句传递给步骤S4中的实时计算程序；

S5.2：SQL语句在执行的时候会调用封装在UDF中的RestAPI算法，轻松实现使用SQL对流数据的复杂算法分析；

S5.3：后期针对多种SQL计算逻辑，不需要重复开发步骤S4，因为步骤S4已经是公共的，只需要使用在步骤S3中注册的UDF写数据计算SQL即可。

进一步地，步骤S2包含以下内容：

S2.1：对步骤S1中初始化的算法进行封装

S2.2：按照SparkSQL中开发UDF(用户自定义函数)的规则和步骤进行封装

S2.3：根据S1.2步骤中梳理的算法的输入和输出数据类型，自定义UDF的时候首先继承对应的UDF接口，实现call函数中的计算逻辑，在call函数内部对提供了RestAPI的算法进行封装，方便后期在SQL中调用

进一步地，步骤S3包含以下内容：

S3.1：将封装好的UDF在SparkSQL中进行注册，供后续步骤使用，

S3.2：在注册UDF的时候，需要指定UDF的名称和自定义UDF代码的全类名。

本发明的有益效果：相对于传统的SQL海量流数据计算无法支持复杂运算，传统的复杂计算无法提供便捷的SQL语法支持。本发明方案的优点如下。

1、本发明是在传统SQL海量流数据计算的基础之上，提供了便捷的复杂算法计算支持，可以方便的使用SQL实现海量流数据的复杂算法计算能力。

2、本发明能够实现了SQL对流数据的实时计算能力。

附图说明

图1是基于SparkSQL和RestAPI的流数据处理架构图。

具体实施方式

本发明方案针对海量流数据计算，将SQL和RestAPI中的算法能力相结合的方案，在分布式计算的基础之上，实现了基于SQL的复杂算法计算能力。下面将结合附图1对本发明基于SparkSQL和RestAPI的流数据处理方法进行进一步详细说明，包括以下步骤：

S1：初始化待封装的RestAPI算法库中的算法，算法类型主要包含文本处理、数据转换、数据采样、特征抽取、参数估计、数据校验、数据评估、时序分析、模型评估、网络计算、文本分析、推荐算法、分类回归、深度学习、聚类算法等。

S1.1：针对RestAPI算法库中的内容进行梳理（此处的“梳理”表示人工整理算法库中的算法）。

S1.2：明确每一个复杂算法（复杂算法：例如TFIDF转换、词频统计、特征索引、数据切分、加权采样、分层采样、数据标准化、主成分分析、卡方选择器、奇异值分解、特征离散转换、方差比估计、比率差估计、均方差估计、正态分布校验、时间序列分析、协同过滤预测、非负矩阵分解预测、因子分解机预测、线性回归预测、逻辑回归预测、线性感知机预测、支持向量机预测、朴素贝叶斯预测、决策树预测、分类回归决策树预测、高斯混合聚类、卷积神经网络预测）的输入和输出数据类型，针对字符串数据类型统一使用string表示，整数类型统一使用long表示，小数使用float和double表示，布尔类型使用boolean表示，同时还支持array数组类型，array中可以支持string、long、float、double、boolean基本数据类型和object复杂数据类型。

S1.3：将梳理后的信息存储到数据库中，在数据库中创建表calc，字段为id、calc_name、in_param、out_param、desc，其中字段id为int类型的自增类型，in_param、out_param和desc为varchar类型，以便后面查询使用。

S2：对初始化后的算法进行封装，封装成UDF格式。

S2.1：对步骤S1中存储到数据库的算法进行封装，通过JDBC代码查询数据库中标calc中的数据，获取数据库中存储的算法的详细字段信息。

S2.2：按照SparkSQL中开发UDF(用户自定义函数)的规则和步骤进行封装，将算法库中的算法全部按照规则封装到UDF中。

S2.3：根据S1.2步骤中梳理的算法的输入和输出数据类型，自定义UDF的时候首先实现SparkSQL的UDF接口,根据输入参数的个数实现不同的接口，例如：1个输入参数需要实现udf1接口，2个输入参数需要实现udf2接口，以此类推，目前最多支持20个输入参数。然后在接口中的call函数中实现具体的业务逻辑，在call函数内部对提供了RestAPI的算法进行封装，在call函数内部使用http连接池的时候需要使用静态工具类，在静态代码块中初始化http连接池，这样可以保证在一个jvm进程中只会创建一个http连接池，否则会造成在call函数内部重复创建多个连接池，无法对连接进行复用，影响算法调用效率，严重的可能会导致http连接耗尽程序报错，call函数返回的结果其实就是自定义UDF函数返回的结果，我们在call函数内部通过http请求调用RestAPI中的对应算法，把参数传给算法，获取算法的返回结果，返回结果的格式我们使用json格式，例如：{"error","ok","ignore":true,"field1":"res1","field2":"res2"}，其中的error字段和ignore字段属于公共字段，表示解析出现问题的时候是否保留数据，后面的field1和field2属于业务字段，根据不同的算法会返回不同的业务字段，返回的业务字段的个数没有限制。

S3：对封装后的UDF进行注册。

S3.1：将封装好的UDF在SparkSQL中进行注册，通过SparkSQL中的register函数进行注册，由于一个SparkSQL中可能会使用多个UDF，所以需要把使用到的UDF信息都在这里进行注册，注册了之后程序就可以识别这个UDF了。

S3.2：在注册UDF的时候，需要指定UDF的名称、UDF的入口类全类名、UDF的参数列表和UDF的返回值类型，其中UDF的名称就是最终注册生成的函数的名称，这个名称建议以func_开头，按照这个规则统一命名，后期在使用和维护的时候都比较方便，我们会根据UDF的入口类全类名使用java的反射机制生成对应的实例对象。

S4：组装流数据计算程序。

S4.1：首先初始化SparkSQL程序相关配置，先创建SparkConf对象，在里面指定Spark集群和任务的基本信息，再根据SparkConf对象获取StreamingContext对象，在这里需要指定流计算的间隔，最小时间为1秒，在这里我们设置为5秒，表示每隔5秒实时程序计算一次，最后SparkSession中builder构建器构建SparkSession对象。

S4.2：获取输入Kafka数据源相关配置参数，根据指定的消费策略消费数据，通过KafkaUtils中的createDirectStream方法创建一个数据流，此方法会返回一个DStream对象，这个DStream对象中就包含了Kafka数据流中的数据，后面就需要基于这个DStream对象进行操作。

S4.3：根据输入Schema信息，将kafka中的数据类型映射为SparkSQL中的数据类型，先把kafka中数据的每个原始字段类型根据schema组装成SparkSQL中的StructField对象，再把所有字段对应的的StructField对象组装成StructType对象，这样就对kafka中的原始数据进行了描述，转换成了SparkSQL可以识别的数据类型。

S4.4：根据输入Schema信息，获取kafka中的每一行数据中的字段值，根据Schema将字段值转换成SparkSQL中可以识别的格式，把一行数据中的多个字段内容组装到一个Row对象中，最终可以获取到一个RowRDD，这里面包含了转换之后的数据

S4.5：根据步骤S4.3中产生的StructType对象和步骤S4.4中产生的RowRDD对象创建DataFrame，再通过DataFrame在SparkSQL中创建临时表，这个表里面就包含了kafka中的数据，方便我们后面使用SQL查询数据。

S4.6：将步骤S3中注册的UDF函数导入这里，这样我们就可以在SQL中使用自定义的UDF函数了。

S4.7：组装用户传递过来的SQL语句，对SQL得语法进行合法性校验，根据输入schema和输出schema判断SQL中的字段信息是否有未知字段，如果有，需要及时提示用户修改，最后还需要确保SQL中操作的表名和步骤S4.5中创建的临时表的表名保持一致，在这里建议使用一个统一的表名，避免后期使用的时候由于表名异常发生错误。针对自定义的UDF函数中返回多个字段的情况，在写SQL的时候需要通过lateral view这个单条转多条函数和json_tuple函数从自定义UDF函数的结果中解析需要的字段信息。

S4.8：获取目的地Kafka的相关配置参数以及输出Schema信息，通过调用Spark中的foreachPartition函数获取SQL执行的结果，此处建议使用foreachPartition，而不要使用foreach，否则针对每一条结果数据都需要创建一次目的地kafka的连接信息，影响效率，根据输出Schema信息从SQL的执行结果中将对应类型的数据解析出来，在解析的时候要尤其注意array这种复杂嵌套数据类型，最终将数据封装成Record对象，这个Record对象中不仅仅包含了结果数据，也包含了结果数据对应的schema信息，最终再把Record对象通过Kafka中的生产者发送到目的地kafka中。

S5：获取用户输入的SQL语句（SQL语句指的是一行SQL）并执行。

S5.1：将用户输入的SQL语句传递给步骤S4中的实时计算程序。

S5.2：SQL语句在执行的时候会调用封装在UDF中的RestAPI算法，轻松实现使用SQL对流数据的复杂算法分析。

S5.3：后期针对多种SQL计算逻辑，不需要重复开发步骤S4，因为步骤S4已经是公共的，只需要使用在步骤S3中注册的UDF写数据计算SQL即可。

本发明上述内容通过对RestAPI中的算法能力进行封装注册，提供丰富的UDF(用户自定义函数)功能，和SQL结合使用，解决了SQL无法对流数据提供复杂算法计算的问题，可以方便的使用SQL实现海量流数据的实时推荐、分类、聚类等能力，并且也可以简化代码开发量，后期开发计算程序只需要写SQL即可。

Claims (3)

1.一种基于SparkSQL和RestAPI的流数据处理方法，其特征在于，包括以下步骤：

S1：初始化待封装的RestAPI算法库中的算法，包含以下步骤：

S1.1：针对提供了RestAPI的算法库内容进行梳理；

S1.2：明确每一个复杂算法的输入和输出数据类型；

S1.3：将梳理后的信息初始化到数据库中，以便后面后续使用；

S2：对初始化后的算法进行封装，封装成UDF格式；

S3：对封装后的UDF进行注册；

S4：组装流数据计算程序，包含以下步骤：

S4.1：首先初始化SparkSQL程序相关配置，获取SparkSession对象；

S4.2：其次获取Kafka数据源相关配置参数，根据指定的消费策略消费数据，获取DStream对象；

S4.3：根据Kafka中的topic信息获取对应数据的Schema信息，组装DataFrame，注册临时表；

S4.4：将注册临时表引入步骤S3中注册的UDF函数；

S4.5：然后组装用户传递过来的SQL语句；

S4.6：最后获取目的地Kafka的相关配置参数以及对应Topic数据的Schema信息，根据Schema信息从SQL的执行结果中解析数据，将结果保存到对应的存储DB中;

S5：获取用户输入的SQL语句并执行，包含以下步骤：

S5.1：将用户输入的SQL语句传递给步骤S4中的实时计算程序

S5.2：SQL语句在执行的时候会调用封装在UDF中的RestAPI算法，实现使用SQL对流数据的复杂算法分析。

2.根据权利要求1所述的基于SparkSQL和RestAPI的流数据处理方法，其特征在于，步骤S2包含以下内容：

S2.1：对步骤S1中初始化的算法进行封装；

S2.2：按照SparkSQL中开发UDF(用户自定义函数)的规则和步骤进行封装；

S2.3：根据S1.2步骤中梳理的算法的输入和输出数据类型，自定义UDF的时候首先继承对应的UDF接口，实现call函数中的计算逻辑，在call函数内部对提供了RestAPI的算法进行封装，方便后期在SQL中调用。

3.根据权利要求1所述的基于SparkSQL和RestAPI的流数据处理方法，其特征在于，步骤S3包含以下内容：

S3.1：将封装好的UDF在SparkSQL中进行注册，供后续步骤使用；

S3.2：在注册UDF的时候，需要指定UDF的名称和自定义UDF代码的全类名。

Images