我如何让Spark Streaming在单元测试中计算文件中的单词？

Question

我已经成功地在Java中构建了一个非常简单的Spark流应用程序，它基于Scala中的HdfsCount示例。

当我将这个应用程序提交到我的本地Spark时，它会等待一个文件被写入给定的目录，当我创建该文件时，它会成功地打印字数。我通过按Ctrl+C终止应用程序。

现在我尝试为这个功能创建一个非常基本的单元测试，但是在测试中我无法打印相同的信息，即字数。

import com.google.common.io.Files;
import org.apache.spark.streaming.Duration;
import org.apache.spark.streaming.api.java.JavaDStream;
import org.apache.spark.streaming.api.java.JavaPairDStream;
import org.apache.spark.streaming.api.java.JavaStreamingContext;


import org.junit.*;

import java.io.*;

public class StarterAppTest {

  JavaStreamingContext ssc;
  File tempDir;

  @Before
  public void setUp() {
    ssc = new JavaStreamingContext("local", "test", new Duration(3000));
    tempDir = Files.createTempDir();
    tempDir.deleteOnExit();
  }

  @After
  public void tearDown() {
    ssc.stop();
    ssc = null;
  }

  @Test
  public void testInitialization() {
    Assert.assertNotNull(ssc.sc());
  }


  @Test
  public void testCountWords() {

    StarterApp starterApp = new StarterApp();

    try {
      JavaDStream<String> lines = ssc.textFileStream(tempDir.getAbsolutePath());
      JavaPairDStream<String, Integer> wordCounts = starterApp.countWords(lines);

      ssc.start();

      File tmpFile = new File(tempDir.getAbsolutePath(), "tmp.txt");
      PrintWriter writer = new PrintWriter(tmpFile, "UTF-8");
      writer.println("8-Dec-2014: Emre Emre Emre Ergin Ergin Ergin");
      writer.close();

      System.err.println("===== Word Counts =======");
      wordCounts.print();
      System.err.println("===== Word Counts =======");

    } catch (FileNotFoundException e) {
      e.printStackTrace();
    } catch (UnsupportedEncodingException e) {
      e.printStackTrace();
    }


    Assert.assertTrue(true);

  }

}

我还尝试在ssc.start()之后添加ssc.awaittermination()；，但在这方面没有任何改变。之后，我还尝试在Spark Streaming应用程序正在检查的目录中手动创建一个新文件，但这一次它给出了一个错误。

为了完整起见，下面是wordCounts方法：

public JavaPairDStream<String, Integer> countWords(JavaDStream<String> lines) {
    JavaDStream<String> words = lines.flatMap(new FlatMapFunction<String, String>() {
      @Override
      public Iterable<String> call(String x) { return Lists.newArrayList(SPACE.split(x)); }
    });

    JavaPairDStream<String, Integer> wordCounts = words.mapToPair(
            new PairFunction<String, String, Integer>() {
              @Override
              public Tuple2<String, Integer> call(String s) { return new Tuple2<>(s, 1); }
            }).reduceByKey((i1, i2) -> i1 + i2);

    return wordCounts;
  }

Answer 1

几点建议：

• 至少为SparkStreaming上下文提供2个核心。1用于流式处理，1用于火花处理。“本地”->“本地[2]”
• 您的流式传输间隔为3000ms，因此在程序的某个地方，您需要等待--至少--该时间才能期望输出。
• Spark Streaming需要一些时间来设置侦听器。发布ssc.start后，将立即创建该文件。文件系统侦听器并不保证已经到位。我会在ssc.start
之后执行一些 sleep(xx)

在流媒体中，关键是要把握好时机。