使用爬虫等获取实时数据+Flume+Kafka+Spark Streaming+mysql+Echarts实现数据动态实时采集、分析、展示
【获取完整源码关注公众号：靠谱杨的挨踢生活 回复kafka获取下载链接】
主要工作流程如下所示：
模拟随机数据，把数据 实时传输到Linux虚拟机文件中。
使用Flume 实时监控该文件，如果发现文件内容变动则进行处理，将 数据抓取并传递到Kafka消息队列中。
之后 使用Spark Streaming 实时处理Kafka中的数据，并写入Windows本机mysql数据库中，之后python 读取mysql数据库中的数据并基于Echart图表对数据进行实时动态展示。
启动hadoop集群 myhadoop.sh start 【脚本参考 https://www.cnblogs.com/rainbow-1/p/16774523.html】
启动zookeeper集群 myzk.sh start 【脚本参考 https://www.cnblogs.com/rainbow-1/p/15319226.html】
启动kafka集群 kf.sh start 【脚本参考 https://www.cnblogs.com/rainbow-1/p/16015749.html】
一、实时数据的模拟
该案例使用模拟数据进行测试，简化了第一步的流程，代码如下：
[En]
The case simplifies the process of the first step, using simulated data for testing, with the following code:
import datetime
import random
import time
import paramiko
hostname = "hadoop102"
port = 22
username = "root"
password = "000429"
client = paramiko.SSHClient()
client.set_missing_host_key_policy(paramiko.AutoAddPolicy())
client.connect(hostname, port, username, password, compress=True)
sftp_client = client.open_sftp()
try:
for line in remote_file:
print(line)
finally:
remote_file.close()
#获取系统时间
num1=3000
for i in range(1000):
remote_file = sftp_client.open("/opt/module/data/test1.csv", 'a') # 文件路径
time1 = datetime.datetime.now()
time1_str = datetime.datetime.strftime(time1, '%Y-%m-%d %H:%M:%S')
print("当前时间： " + time1_str)
time.sleep(random.randint(1,3))
num1_str=str(num1+random.randint(-1300,1700))
print("当前随机数： "+num1_str)
remote_file.write(time1_str+","+num1_str+"\n")
remote_file.close()
-
主要过程
-
在/opt/module/data/路径下建立test1.csv文件
- 代码实现远程连接虚拟机hadoop102并以root用户身份登录，打开需要上传的文件目录。
- 使用一个for循环间隔随机1到3秒向文件中写入一些数据。
二、Flume实时监控文件
- 进入/opt/module/flume/job路径编辑配置文件信息（myflume.conf） 内容如下：其中指定了被监控文件的路径，Kafka服务主机地址，Kafka主题和序列化等信息
#给agent中的三个组件source、sink和channel各起一个别名，a1代表为agent起的别名
a1.sources = r1
a1.channels = c1
a1.sinks = k1
source属性配置信息
a1.sources.r1.type = exec
#a1.sources.r1.bind = localhost
#a1.sources.r1.port = 44444
a1.sources.r1.command=tail -F /opt/module/data/test1.csv
sink属性配置信息
a1.sinks.k1.type = org.apache.flume.sink.kafka.KafkaSink
a1.sinks.k1.kafka.bootstrap.servers:hadoop102:9092,hadoop103:9092,hadoop104:9092
a1.sinks.k1.kafka.topic=first
a1.sinks.k1.serializer.class=kafka.serializer.StringEncoer
#channel属性配置信息
#内存模式
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
#传输参数设置
a1.channels.c1.transactionCapacity=100
#绑定source和sink到channel上
a1.sources.r1.channels=c1
a1.sinks.k1.channel=c1
- 在/opt/module/flume 路径下开启Flume，此时Flume开始监控目标文件 （job/myflume.conf）
bin/flume-ng agent -c conf/ -n a1 -f job/myflume.conf -Dflume.root.logger=INFO,console
三、使用Spark Streaming完成数据计算
- 新建一个名为first的消费主题（topic）
bin/kafka-topics.sh --bootstrap-server hadoop102:9092 --create --partitions 1 --replication-factor 1 --topic first1
- 新建Maven项目，编写代码，Kafka的topic主题的消费者 pom.xml配置如下：注意此处各个资源的版本号一定要与本机（IDEA编译器）的Scala版本一致，博主为Scala 2.12.11
4.0.0
com.reliable.ycw
spark-test
1.0-SNAPSHOT
mysql
mysql-connector-java
8.0.18
org.apache.spark
spark-core_2.12
3.0.0
org.apache.spark
spark-streaming_2.12
3.0.0
org.apache.spark
spark-streaming-kafka-0-10_2.12
3.0.0
org.scala-lang
scala-library
2.12.11
org.scala-lang
scala-compiler
2.12.11
org.scala-lang
scala-reflect
2.12.11
net.alchim31.maven
scala-maven-plugin
3.2.2
testCompile
org.apache.maven.plugins
maven-assembly-plugin
3.1.0
jar-with-dependencies
make-assembly
package
single
org.apache.maven.plugins
maven-compiler-plugin
8
8
消费者类代码如下：
import org.apache.kafka.common.serialization.StringDeserializer
import org.apache.spark.SparkConf
import org.apache.spark.streaming.kafka010.ConsumerStrategies.Subscribe
import org.apache.spark.streaming.kafka010.KafkaUtils
import org.apache.spark.streaming.kafka010.LocationStrategies.PreferConsistent
import java.sql.DriverManager
import java.text.SimpleDateFormat
import java.util.Date
/**
* 主要是计算X秒内数据条数的变化
* 比如5秒内进来4条数据
*/
import org.apache.spark.streaming.{Seconds, StreamingContext}
/** Utility functions for Spark Streaming examples.*/
object StreamingExamples extends App{
/** Set reasonable logging levels for streaming if the user has not configured log4j.*/
// def setStreamingLogLevels() {
// val log4jInitialized = Logger.getRootLogger.getAllAppenders.hasMoreElements
// if (!log4jInitialized) {
// // We first log Appsomething to initialize Spark's default logging, then we override the
// // logging level.
// logInfo("Setting log level to [WARN] for streaming example." +
// " To override add a custom log4j.properties to the classpath.")
// Logger.getRootLogger.setLevel(Level.WARN)
// }
// }
val conf=new SparkConf().setMaster("local").setAppName("jm")
.set("spark.streaming.kafka.MaxRatePerPartition","3")
.set("spark.local.dir","./tmp")
.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
//创建上下文，5s为批处理间隔
val ssc = new StreamingContext(conf,Seconds(5))
//配置kafka参数，根据broker和topic创建连接Kafka 直接连接 direct kafka
val KafkaParams = Map[String,Object](
//brokers地址
"bootstrap.servers"->"hadoop102:9092,hadoop103:9092,hadoop104:9092",
//序列化类型
"key.deserializer"->classOf[StringDeserializer],
"value.deserializer" -> classOf[StringDeserializer],
"group.id" -> "MyGroupId",
//设置手动提交消费者offset
"enable.auto.commit" -> (false: java.lang.Boolean)//默认是true
)
//获取KafkaDStream
val kafkaDirectStream = KafkaUtils.createDirectStream[String,String](ssc,
PreferConsistent,Subscribe[String,String](List("first"),KafkaParams))
kafkaDirectStream.print()
var num=kafkaDirectStream.count()
var num_1=""
num foreachRDD (x => {
//var res=x.map(line=>line.split(","))
val connection = getCon()
var time = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss").format(new Date).toString
var sql = "insert into content_num values('" + time + "'," + x.collect()(0) + ")"
connection.createStatement().execute(sql)
connection.close()
})
// print("sdfasdf")
// print(num_1)
//根据得到的kafak信息，切分得到用户电话DStream
// val nameAddrStream = kafkaDirectStream.map(_.value()).filter(record=>{
// val tokens: Array[String] = record.split(",")
// tokens(1).toInt==0
// })
//
// nameAddrStream.print()
// .map(record=>{
// val tokens = record.split("\t")
// (tokens(0),tokens(1))
// })
//
//
// val namePhoneStream = kafkaDirectStream.map(_.value()).filter(
// record=>{
// val tokens = record.split("\t")
// tokens(2).toInt == 1
// }
// ).map(record=>{
// val tokens = record.split("\t")
// (tokens(0),tokens(1))
// })
//
// //以用户名为key，将地址电话配对在一起，并产生固定格式的地址电话信息
// val nameAddrPhoneStream = nameAddrStream.join(namePhoneStream).map(
// record=>{
// s"姓名：${record._1},地址：${record._2._1},邮编：${record._2._2}"
// }
// )
// //打印输出
// nameAddrPhoneStream.print()
//开始计算
ssc.start()
ssc.awaitTermination()
def getCon()={
Class.forName("com.mysql.cj.jdbc.Driver")
DriverManager.getConnection("jdbc:mysql://localhost:3306/spark?serverTimezone=UTC&useUnicode=true&characterEncoding=utf8","root","reliable")
}
}
这段代码指定了虚拟机中Kafka的主题信息，并从中定时获取（博主设置的为5秒）期间变化的信息量，完成计算后把本机的时间和信息变化量存储到本地Mysql数据库中【库spark 表content_num 字段 type num】
– 注意指定时区和编码
jdbc:mysql://localhost:3306/spark?serverTimezone=UTC&useUnicode=true&characterEncoding=utf8
四、可视化
使用Echarts平滑折线图完成数据的展示
- 后台读取mysql的数据【spark_sql.py】
import pymysql
def get_conn():
"""
获取连接和游标
:return:
"""
conn = pymysql.connect(host="127.0.0.1",
user="root",
password="reliable",
db="spark",
charset="utf8")
cursor = conn.cursor()
return conn, cursor
def close_conn(conn, cursor):
"""
关闭连接和游标
:param conn:
:param cursor:
:return:
"""
if cursor:
cursor.close()
if conn:
conn.close()
query
def query(sql, *args):
"""
通用封装查询
:param sql:
:param args:
:return:返回查询结果 （（），（））
"""
conn, cursor = get_conn()
print(sql)
cursor.execute(sql)
res = cursor.fetchall()
close_conn(conn, cursor)
return res
def dynamic_bar():
# 获取数据库连接
conn, cursor = get_conn()
if (conn != None):
print("数据库连接成功！")
typenumsql = "select * from content_num order by num desc limit 11;"
detail_sql = ""
res_title = query(typenumsql)
type_num = [] # 存储类别+数量
for item1 in res_title:
type_num.append(item1)
return type_num
- 路由获取后台数据
@app.route('/dynamic_bar')
def dynamic_bar():
res_list=spark_sql.dynamic_bar()
my_list=[]
list_0=[]
list_1=[]
for item in res_list:
list_0.append(item[0])
list_1.append(item[1])
my_list.append(list_0)
my_list.append(list_1)
return {"data":my_list}
- 前台绘制折线图 line.html
var dom = document.getElementById("container");
var myChart = echarts.init(dom);
var app = {};
var option;
option = {
tooltip: {
trigger: 'axis',
axisPointer: {
type: 'shadow'
}
},
grid: {
left: '3%',
right: '4%',
bottom: '3%',
containLabel: true
},
xAxis: [
{
type: 'category',
data: [],
axisTick: {
alignWithLabel: true
}
}
],
yAxis: [
{
type: 'value'
}
],
series: [
{
name: 'Direct',
type: 'line',
barWidth: '60%',
data: []
}
]
};
if (option && typeof option === 'object') {
myChart.setOption(option);
}
function update(){
$.ajax({
url:"/dynamic_bar",
async:true,
success:function (data) {
option.xAxis[0].data=data.data[0]
option.series[0].data=data.data[1]
myChart.setOption(option);
},
error:function (xhr,type,errorThrown) {
alert("出现错误！")
}
})
}
setInterval("update()",100)
以下是可视化过程中需要注意的几点：
[En]
Here are some points to pay attention to in visualization:
- 注意先引入echarts.min.js再引入jquery-3.3.1.min.js
- 注意指定放置图像的div块的大小
- 将赋值方法放在镜像初始化配置代码之后
[En]
put the assignment method after the image initialization configuration code*
- 注意设置方法循环执行：setInterval(“update()”,100)
小结：整个流程的关键在于对实时数据的监控和展示，首先要保证 数据传输的动态性，其次要 保证Flume实时监控数据的变化。其中使用Kafka的目的在于当数据量足够大的时候，往往会出现数据的监控和采集速度跟不上数据的变化，所以采用Kafka消息队列机制，让其缓冲数据以实现大数据量的处理，后续需要编写Spark Streaming代码完成对消息的收集处理（存入本地mysql数据库），最后读取数据库数据并用折线图完成动态展示效果，数据库的数据是实时变动的，这就需要 在读取的时候要读到最新进来的数据，这样才能看到图线的动态效果。（下图的图线会随着数据的变化动态改变！）
Original: https://www.cnblogs.com/rainbow-1/p/16023419.html
Author: 靠谱杨
Title: python爬虫等获取实时数据+Flume+Kafka+Spark Streaming+mysql+Echarts实现数据动态实时采集、分析、展示
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/522557/
转载文章受原作者版权保护。转载请注明原作者出处！