transform以及實時黑名單過濾案例實戰(zhàn)

transform操作，應(yīng)用在DStream上時，可以用于執(zhí)行任意的RDD到RDD的轉(zhuǎn)換操作。它可以用于實現(xiàn)，DStream API中所沒有提供的操作。比如說，DStream API中，并沒有提供將一個DStream中的每個batch，與一個特定的RDD進行join的操作。但是我們自己就可以使用transform操作來實現(xiàn)該功能。
DStream.join()，只能join其他DStream。在DStream每個batch的RDD計算出來之后，會去跟其他DStream的RDD進行join。
案例：廣告計費日志實時黑名單過濾
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));

        // 用戶對我們的網(wǎng)站上的廣告可以進行點擊
        // 點擊之后，是不是要進行實時計費，點一下，算一次錢
        // 但是，對于那些幫助某些無良商家刷廣告的人，那么我們有一個黑名單
        // 只要是黑名單中的用戶點擊的廣告，我們就給過濾掉

        // 先做一份模擬的黑名單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);

        // 這里的日志格式，就簡化一下，就是date username的方式
        JavaReceiverInputDStream<String> adsClickLogDStream = streamingContext.socketTextStream("hadoop-100", 9999);

        // 所以，要先對輸入的數(shù)據(jù)，進行一下轉(zhuǎn)換操作，變成，(username, date username)
        // 以便于，后面對每個batch RDD，與定義好的黑名單RDD進行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，就可以執(zhí)行transform操作了，將每個batch的RDD，與黑名單RDD進行join、filter、map等操作,實時進行黑名單過濾
        JavaDStream<String> validAdsClickLogDStream = userAdsClickLogDStream.transform(new Function<JavaPairRDD<String, String>, JavaRDD<String>>() {
            @Override
            public JavaRDD<String> call(JavaPairRDD<String, String> userAdsClickLogRDD) throws Exception {
                // 這里為什么用左外連接？
                // 因為，并不是每個用戶都存在于黑名單中的
                // 所以，如果直接用join，那么沒有存在于黑名單中的數(shù)據(jù)，會無法join到,就給丟棄掉了
                // 所以，這里用leftOuterJoin，就是說，哪怕一個user不在黑名單RDD中，沒有join到,也還是會被保存下來的
                JavaPairRDD<String, Tuple2<String, Optional<Boolean>>> joinRDD = userAdsClickLogRDD.leftOuterJoin(blacklistRDD);
                // 連接之后，執(zhí)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 {
                        // 這里的tuple，就是每個用戶，對應(yīng)的訪問日志，和在黑名單中的狀態(tài)
                        if (v1._2._2.isPresent() && v1._2._2.get()) {
                            return false;
                        }
                        return true;
                    }
                });

                // 此時，filteredRDD中，就只剩下沒有被黑名單過濾的用戶點擊了
                // 進行map操作，轉(zhuǎn)換成我們想要的格式
                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;
            }
        });

        // 打印有效的廣告點擊日志
        // 其實在真實企業(yè)場景中，這里后面就可以走寫入kafka、ActiveMQ等這種中間件消息隊列
        // 然后再開發(fā)一個專門的后臺服務(wù)，作為廣告計費服務(wù)，執(zhí)行實時的廣告計費，這里就是只拿到了有效的廣告點擊
        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()
  }
}