流（Streaming），在大數據時代為數據流處理，就像水流壹樣，是數據流；既然是數據流處理，就會想到數據的流入、數據的加工、數據的流出。
日常工作、生活中數據來源很多不同的地方。例如：工業時代的汽車制造、監控設備、工業設備會產生很多源數據；信息時代的電商網站、日誌服務器、社交網絡、金融交易系統、黑客攻擊、垃圾郵件、交通監控等；通信時代的手機、平板、智能設備、物聯網等會產生很多實時數據，數據流無處不在。
在大數據時代Spark?Streaming能做什麽？
平時用戶都有網上購物的經歷，用戶在網站上進行的各種操作通過Spark Streaming流處理技術可以被監控，用戶的購買愛好、關註度、交易等可以進行行為分析。在金融領域，通過Spark Streaming流處理技術可以對交易量很大的賬號進行監控，防止罪犯洗錢、財產轉移、防欺詐等。在網絡安全性方面，黑客攻擊時有發生，通過Spark Streaming流處理技術可以將某類可疑IP進行監控並結合機器學習訓練模型匹配出當前請求是否屬於黑客攻擊。其他方面，如：垃圾郵件監控過濾、交通監控、網絡監控、工業設備監控的背後都是Spark Streaming發揮強大流處理的地方。
大數據時代，數據價值壹般怎麽定義？
所有沒經過流處理的數據都是無效數據或沒有價值的數據；數據產生之後立即處理產生的價值是最大的，數據放置越久或越滯後其使用價值越低。以前絕大多數電商網站盈利走的是網絡流量（即用戶的訪問量），如今，電商網站不僅僅需要關註流量、交易量，更重要的是要通過數據流技術讓電商網站的各種數據流動起來，通過實時流動的數據及時分析、挖掘出各種有價值的數據；比如：對不同交易量的用戶指定用戶畫像，從而提供不同服務質量；準對用戶訪問電商網站板塊愛好及時推薦相關的信息。
SparkStreaming VS?Hadoop?MR：
Spark Streaming是壹個準實時流處理框架，而Hadoop MR是壹個離線、批處理框架；很顯然，在數據的價值性角度，Spark Streaming完勝於Hadoop MR。
SparkStreaming VS Storm：
Spark Streaming是壹個準實時流處理框架，處理響應時間壹般以分鐘為單位，也就是說處理實時數據的延遲時間是秒級別的；Storm是壹個實時流處理框架，處理響應是毫秒級的。所以在流框架選型方面要看具體業務場景。需要澄清的是現在很多人認為Spark Streaming流處理運行不穩定、數據丟失、事務性支持不好等等，那是因為很多人不會駕馭Spark Streaming及Spark本身。在Spark Streaming流處理的延遲時間方面，Spark定制版本，會將Spark Streaming的延遲從秒級別推進到100毫秒之內甚至更少。
SparkStreaming優點：
1、提供了豐富的API，企業中能快速實現各種復雜的業務邏輯。
2、流入Spark Streaming的數據流通過和機器學習算法結合，完成機器模擬和圖計算。
3、Spark Streaming基於Spark優秀的血統。
SparkStreaming能不能像Storm壹樣，壹條壹條處理數據？
Storm處理數據的方式是以條為單位來壹條壹條處理的，而Spark Streaming基於單位時間處理數據的，SparkStreaming能不能像Storm壹樣呢？答案是：可以的。
業界壹般的做法是Spark Streaming和Kafka搭檔即可達到這種效果,入下圖：
Kafka業界認同最主流的分布式消息框架，此框架即符合消息廣播模式又符合消息隊列模式。
Kafka內部使用的技術：
1、? Cache
2、? Interface
3、? Persistence（默認最大持久化壹周）
4、? Zero-Copy技術讓Kafka每秒吞吐量幾百兆，而且數據只需要加載壹次到內核提供其他應用程序使用
外部各種源數據推進（Push）Kafka，然後再通過Spark Streaming抓取（Pull）數據，抓取的數據量可以根據自己的實際情況確定每壹秒中要處理多少數據。
通過Spark Streaming動手實戰wordCount實例
這裏是運行壹個Spark Streaming的程序：統計這個時間段內流進來的單詞出現的次數. 它計算的是：他規定的時間段內每個單詞出現了多少次。
1、先啟動下Spark集群：
我們從集群裏面打開下官方網站
接受這個數據進行加工，就是流處理的過程，剛才那個WordCount就是以1s做壹個單位。
剛才運行的時候，為什麽沒有結果呢？因為需要數據源。
2、獲取數據源:
新開壹個命令終端，然後輸入：
$?nc?-lk?9999
現在我們拷貝數據源進入運行：
然後按回車運行
DStream和RDD關系：
沒有輸入數據會打印的是空結果：
但是實際上，Job的執行是Spark Streaming框架幫我們產生的和開發者自己寫的Spark代碼業務邏輯沒有關系，而且Spark Streaming框架的執行時間間隔可以手動配置，如：每隔壹秒鐘就會產生壹次Job的調用。所以在開發者編寫好的Spark代碼時（如：flatmap、map、collect），不會導致job的運行，job運行是Spark Streaming框架產生的，可以配置成每隔壹秒中都會產生壹次job調用。
Spark Streaming流進來的數據是DStream，但Spark Core框架只認RDD，這就產生矛盾了？
Spark Streaming框架中，作業實例的產生都是基於rdd實例來產生，妳寫的代碼是作業的模板，即rdd是作業的模板，模板壹運行rdd就會被執行，此時action必須處理數據。RDD的模板就是DStream離散流，RDD之間存在依賴關系，DStream就有了依賴關系，也就構成了DStream 有向無環圖。這個DAG圖，是模板。Spark Streaming只不過是在附在RDD上面壹層薄薄的封裝而已。妳寫的代碼不能產生Job,只有框架才能產生Job.
如果壹秒內計算不完數據，就只能調優了.
總結：
使用Spark Streaming可以處理各種數據來源類型，如：數據庫、HDFS，服務器log日誌、網絡流，其強大超越了妳想象不到的場景，只是很多時候大家不會用，其真正原因是對Spark、spark streaming本身不了解。