文章目录
一、前言
二、项目准备
2.1 添加Kafka的pom依赖
2.2 启动zookeeper集群
2.3 启动kafka集群
2.4 创建topic
2.5 向topic中生产数据
三、KafkaUtils.createDstream
3.1 原理
3.2 实战
四、KafkaUtils.createDirectStream
4.1 原理
4.2 实战
4.3 结果展示
一、前言
首先，我们先来简单的了解下 Kafka：是一种高吞吐量的分布式发布订阅消息系统。依赖Zookeeper，因此搭建Kafka的时候需要事先搭建好Zookeeper。对 Kafka 还不太了解的同学，可以看云祁 Kafka 专栏的博客，一定会有收获的嗷 🦄 ！
Kafka 的体系结构如下：
作为一个实时的分布式消息队列，实时的生产和消费消息，我们可以利用 Spark Streaming 实时计算框架实时地读取 Kafka 中的数据然后进行计算。在 Spark1.3 版本后，kafkaUtils 里面提供了两个创建 DStream 的方法，一种为KafkaUtils.createDstream，另一种为KafkaUtils.createDirectStream。
二、项目准备
2.1 添加Kafka的pom依赖
由于 Spark Streaming 与 Kafka 做集成的时候 Kafka 成了 Streaming 的高级数据源，两者集成时依赖的 jar 包比较多，而且还会产生冲突，我选择用 Maven 来搭建项目工程。
pom文件如下：
<dependencies> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-core_2.11</artifactId> <version>2.3.4</version> </dependency> <dependency> <groupId>org.scala-lang</groupId> <artifactId>scala-library</artifactId> <version>2.11.8</version> </dependency> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-sql_2.11</artifactId> <version>2.3.4</version> </dependency> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-streaming_2.11</artifactId> <version>2.3.4</version> </dependency> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-streaming-kafka-0-8_2.11</artifactId> <version>2.1.1</version> </dependency> </dependencies>
2.2 启动zookeeper集群
zkServer.sh start
2.3 启动kafka集群
kafka-server-start.sh /opt/soft/kafka211/config/server.properties
2.4 创建topic
kafka-topics.sh --create --zookeeper 192.168.56.137:2181 --topic kafka_spark --replication-factor 1 --partitions 1
2.5 向topic中生产数据
通过shell命令向topic发送消息
kafka-console-producer.sh --broker-list 192.168.56.137:9092 --topic kafka_spark
Spark Streaming 读取 Kafka 数据源由两种模式，我会逐一讲解。
三、KafkaUtils.createDstream
3.1 原理
构造函数为KafkaUtils.createDstream(ssc,[zk], [consumer group id], [per-topic,partitions] ) 使用了receivers来接收数据，利用的是Kafka高层次的消费者api，对于所有的receivers接收到的数据将会保存在Spark executors中，然后通过Spark Streaming启动job来处理这些数据，默认会丢失，可启用WAL日志，它同步将接受到数据保存到分布式文件系统上比如HDFS。 所以数据在出错的情况下可以恢复出来 。
1.创建一个receiver来对kafka进行定时拉取数据，ssc的rdd分区和kafka的topic分区不是一个概念，故如果增加特定主消费的线程数仅仅是增加一个receiver中消费topic的线程数，并不增加spark的并行处理数据数量。
2.对于不同的group和topic可以使用多个receivers创建不同的DStream。
3.如果启用了WAL(spark.streaming.receiver.writeAheadLog.enable=true)
，同时需要设置存储级别(默认StorageLevel.MEMORY_AND_DISK_SER_2)，即KafkaUtils.createStream(….,StorageLevel.MEMORY_AND_DISK_SER)。
3.2 实战
KafkaUtils.createDstream方式（基于kafka高级API ----- 偏移量由zk保存）
package cn.testdemo.dstream.kafka import org.apache.spark.{SparkConf, SparkContext} import org.apache.spark.streaming.{Seconds, StreamingContext} import org.apache.spark.streaming.dstream.{DStream, ReceiverInputDStream} import org.apache.spark.streaming.kafka.KafkaUtils import scala.collection.immutable //todo:利用sparkStreaming对接kafka实现单词计数----采用receiver(高级API) object SparkStreamingKafka_Receiver { def main(args: Array[String]): Unit = { //1、创建sparkConf val sparkConf: SparkConf = new SparkConf() .setAppName("SparkStreamingKafka_Receiver") .setMaster("local[2]") .set("spark.streaming.receiver.writeAheadLog.enable","true") //开启wal预写日志，保存数据源的可靠性 //2、创建sparkContext val sc = new SparkContext(sparkConf) sc.setLogLevel("WARN") //3、创建StreamingContext val ssc = new StreamingContext(sc,Seconds(5)) //设置checkpoint ssc.checkpoint("./Kafka_Receiver") //4、定义zk地址 val zkQuorum="node-1:2181,node-2:2181,node-3:2181" //5、定义消费者组 val groupId="spark_receiver" //6、定义topic相关信息 Map[String, Int] // 这里的value并不是topic分区数，它表示的topic中每一个分区被N个线程消费 val topics=Map("kafka_spark" -> 2) //7、通过KafkaUtils.createStream对接kafka //这个时候相当于同时开启3个receiver接受数据 val receiverDstream: immutable.IndexedSeq[ReceiverInputDStream[(String, String)]] = (1 to 3).map(x => { val stream: ReceiverInputDStream[(String, String)] = KafkaUtils.createStream(ssc, zkQuorum, groupId, topics) stream } ) //使用ssc.union方法合并所有的receiver中的数据 val unionDStream: DStream[(String, String)] = ssc.union(receiverDstream) //8、获取topic中的数据 val topicData: DStream[String] = unionDStream.map(_._2) //9、切分每一行,每个单词计为1 val wordAndOne: DStream[(String, Int)] = topicData.flatMap(_.split(" ")).map((_,1)) //10、相同单词出现的次数累加 val result: DStream[(String, Int)] = wordAndOne.reduceByKey(_+_) //11、打印输出 result.print() //开启计算 ssc.start() ssc.awaitTermination() } }
总结:
通过这种方式实现，刚开始的时候系统正常运行，没有发现问题，但是如果系统异常重新启动sparkstreaming程序后，发现程序会重复处理已经处理过的数据，这种基于receiver的方式，是使用Kafka的高阶API来在ZooKeeper中保存消费过的offset的。这是消费Kafka数据的传统方式。这种方式配合着WAL机制可以保证数据零丢失的高可靠性，但是却无法保证数据被处理一次且仅一次，可能会处理两次。因为Spark和ZooKeeper之间可能是不同步的。官方现在也已经不推荐这种整合方式，官网相关地址下面我们使用官网推荐的第二种方式kafkaUtils的createDirectStream()方式。
四、KafkaUtils.createDirectStream
4.1 原理
不同于Receiver接收数据，这种方式定期地从kafka的topic下对应的partition中查询最新的偏移量，再根据偏移量范围在每个batch里面处理数据，Spark通过调用kafka简单的消费者API读取一定范围的数据。
相比基于Receiver方式有几个优点：
简化并行
不需要创建多个kafka输入流，然后union它们，sparkStreaming将会创建和kafka分区一种的rdd的分区数，而且会从kafka中并行读取数据，spark中RDD的分区数和kafka中的分区数据是一一对应的关系。
高效
第一种实现数据的零丢失是将数据预先保存在WAL中，会复制一遍数据，会导致数据被拷贝两次，第一次是被kafka复制，另一次是写到WAL中。而没有receiver的这种方式消除了这个问题。
恰好一次语义(Exactly-once-semantics)
Receiver读取kafka数据是通过kafka高层次api把偏移量写入zookeeper中，虽然这种方法可以通过数据保存在WAL中保证数据不丢失，但是可能会因为sparkStreaming和ZK中保存的偏移量不一致而导致数据被消费了多次。EOS通过实现kafka低层次api，偏移量仅仅被ssc保存在checkpoint中，消除了zk和ssc偏移量不一致的问题。缺点是无法使用基于zookeeper的kafka监控工具
4.2 实战
package cn.itcast.dstream.kafka import kafka.serializer.StringDecoder import org.apache.spark.{SparkConf, SparkContext} import org.apache.spark.streaming.{Seconds, StreamingContext} import org.apache.spark.streaming.dstream.{DStream, InputDStream} import org.apache.spark.streaming.kafka.KafkaUtils //todo:利用sparkStreaming对接kafka实现单词计数----采用Direct(低级API) object SparkStreamingKafka_Direct { def main(args: Array[String]): Unit = { //1、创建sparkConf val sparkConf: SparkConf = new SparkConf() .setAppName("SparkStreamingKafka_Direct") .setMaster("local[2]") //2、创建sparkContext val sc = new SparkContext(sparkConf) sc.setLogLevel("WARN") //3、创建StreamingContext val ssc = new StreamingContext(sc,Seconds(5)) //4、配置kafka相关参数 val kafkaParams=Map("metadata.broker.list"->"node-1:9092,node-2:9092,node-3:9092","group.id"->"Kafka_Direct") //5、定义topic val topics=Set("kafka_spark") //6、通过 KafkaUtils.createDirectStream接受kafka数据，这里采用是kafka低级api偏移量不受zk管理 val dstream: InputDStream[(String, String)] = KafkaUtils.createDirectStream[String,String,StringDecoder,StringDecoder](ssc,kafkaParams,topics) //7、获取kafka中topic中的数据 val topicData: DStream[String] = dstream.map(_._2) //8、切分每一行,每个单词计为1 val wordAndOne: DStream[(String, Int)] = topicData.flatMap(_.split(" ")).map((_,1)) //9、相同单词出现的次数累加 val result: DStream[(String, Int)] = wordAndOne.reduceByKey(_+_) //10、打印输出 result.print() //开启计算 ssc.start() ssc.awaitTermination() } }
4.3 结果展示
------------------------------------------- Time: 1536325032000 ms ------------------------------------------- (love,1) (Beijing,1) (I,1) ------------------------------------------- Time: 1536325035000 ms ------------------------------------------- (love,2) (Beijing,1) (I,2) (Shanghai,1) ------------------------------------------- Time: 1536325038000 ms ------------------------------------------- (love,2) (Beijing,1) (I,2) (Shanghai,1) ------------------------------------------- Time: 1536325041000 ms ------------------------------------------- (love,2) (Beijing,1) (I,2) (Shanghai,1)
