53、Spark Streaming:输入DStream之Kafka数据源实战-白红宇

53、Spark Streaming:输入DStream之Kafka数据源实战

阅读量：5219 次

发布时间：2019-06-14

本文共 8455 字，大约阅读时间需要 28 分钟。

一、基于Receiver的方式

1、概述

基于Receiver的方式：Receiver是使用Kafka的高层次Consumer API来实现的。receiver从Kafka中获取的数据都是存储在Spark Executor的内存中的，然后Spark Streaming启动的job会去处理那些数据。然而，在默认的配置下，这种方式可能会因为底层的失败而丢失数据。如果要启用高可靠机制，让数据零丢失，就必须启用Spark Streaming的预写日志机制（Write Ahead Log，WAL）。该机制会同步地将接收到的Kafka数据写入分布式文件系统（比如HDFS）上的预写日志中。所以，即使底层节点出现了失败，也可以使用预写日志中的数据进行恢复。如何进行Kafka数据源连接？1、在maven添加依赖groupId = org.apache.sparkartifactId = spark-streaming-kafka_2.10version = 1.5.12、使用第三方工具类创建输入DStream JavaPairReceiverInputDStream
     
       kafkaStream =      KafkaUtils.createStream(streamingContext, [ZK quorum], [consumer group id], [per-topic number of Kafka partitions to consume]); 需要注意的要点：1、Kafka中的topic的partition，与Spark中的RDD的partition是没有关系的。所以，在KafkaUtils.createStream()中，提高partition的数量，只会增加一个Receiver中，读取partition的线程的数量。不会增加Spark处理数据的并行度。2、可以创建多个Kafka输入DStream，使用不同的consumer group和topic，来通过多个receiver并行接收数据。3、如果基于容错的文件系统，比如HDFS，启用了预写日志机制，接收到的数据都会被复制一份到预写日志中。因此，在KafkaUtils.createStream()中，设置的持久化级别是StorageLevel.MEMORY_AND_DISK_SER。Kafka命令：bin/kafka-topics.sh --zookeeper 192.168.1.107:2181,192.168.1.108:2181,192.168.1.109:2181 --topic TestTopic --replication-factor 1 --partitions 1 --createbin/kafka-console-producer.sh --broker-list 192.168.1.107:9092,192.168.1.108:9092,192.168.1.109:9092 --topic TestTopic[ZK quorum：192.168.1.191:2181,192.168.1.192:2181,192.168.1.193:2181

2、java版本

package cn.spark.study.streaming;import java.util.Arrays;import java.util.HashMap;import java.util.Map;import org.apache.spark.SparkConf;import org.apache.spark.api.java.function.FlatMapFunction;import org.apache.spark.api.java.function.Function2;import org.apache.spark.api.java.function.PairFunction;import org.apache.spark.streaming.Durations;import org.apache.spark.streaming.api.java.JavaDStream;import org.apache.spark.streaming.api.java.JavaPairDStream;import org.apache.spark.streaming.api.java.JavaPairReceiverInputDStream;import org.apache.spark.streaming.api.java.JavaStreamingContext;import org.apache.spark.streaming.kafka.KafkaUtils;import scala.Tuple2;/** * 基于Kafka receiver方式的实时wordcount程序 * @author Administrator * */public class KafkaReceiverWordCount {    public static void main(String[] args) {        SparkConf conf = new SparkConf()                .setMaster("local[2]")                .setAppName("KafkaWordCount");          JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(5));                // 使用KafkaUtils.createStream()方法，创建针对Kafka的输入数据流        Map
     
       topicThreadMap = new HashMap
      
       ();        // 使用多少个线程去拉取topic的数据        topicThreadMap.put("WordCount", 1);                // 这里接收的四个参数；第一个：streamingContext        // 第二个：ZK quorum；   第三个：consumer group id 可以自己写；           // 第四个：per-topic number of Kafka partitions to consume        JavaPairReceiverInputDStream
       
         lines = KafkaUtils.createStream(                jssc,                 "192.168.1.135:2181,192.168.1.136:2181,192.168.1.137:2181",                 "DefaultConsumerGroup",                 topicThreadMap);                // wordcount逻辑        JavaDStream
        
          words = lines.flatMap(                                new FlatMapFunction
         
          
           , String>() { private static final long serialVersionUID = 1L; @Override public Iterable
           
             call(Tuple2
            
              tuple) throws Exception { return Arrays.asList(tuple._2.split(" ")); } }); JavaPairDStream
             
               pairs = words.mapToPair( new PairFunction
              
               () { private static final long serialVersionUID = 1L; @Override public Tuple2
               
                 call(String word) throws Exception { return new Tuple2
                
                 (word, 1); } }); JavaPairDStream
                 
                   wordCounts = pairs.reduceByKey( new Function2
                  
                   () { private static final long serialVersionUID = 1L; @Override public Integer call(Integer v1, Integer v2) throws Exception { return v1 + v2; } }); wordCounts.print(); jssc.start(); jssc.awaitTermination(); jssc.close(); } }##运行程序##新建一个topic[root@spark1 kafka]# bin/kafka-topics.sh --zookeeper 192.168.1.135:2181,192.168.1.136:2181,192.168.1.137:2181 --topic WordCount --replication-factor 1 --partitions 1 --create##启动生产者，然后可以输入一些数据，观察程序端的输出统计[root@spark1 kafka]# bin/kafka-console-producer.sh --broker-list 192.168.1.135:9092,192.168.1.136:9092,192.168.1.137:9092 --topic WordCount

二、基于Direct的方式

1、概述

这种新的不基于Receiver的直接方式，是在Spark 1.3中引入的，从而能够确保更加健壮的机制。替代掉使用Receiver来接收数据后，这种方式会周期性地查询Kafka，来获得每个topic+partition的最新的offset，从而定义每个batch的offset的范围。当处理数据的job启动时，就会使用Kafka的简单consumer api来获取Kafka指定offset范围的数据。这种方式有如下优点：1、简化并行读取：如果要读取多个partition，不需要创建多个输入DStream然后对它们进行union操作。Spark会创建跟Kafka partition一样多的RDD partition，并且会并行从Kafka中读取数据。所以在Kafka partition和RDD partition之间，有一个一对一的映射关系。2、高性能：如果要保证零数据丢失，在基于receiver的方式中，需要开启WAL机制。这种方式其实效率低下，因为数据实际上被复制了两份，Kafka自己本身就有高可靠的机制，会对数据复制一份，而这里又会复制一份到WAL中。而基于direct的方式，不依赖Receiver，不需要开启WAL机制，只要Kafka中作了数据的复制，那么就可以通过Kafka的副本进行恢复。3、一次且仅一次的事务机制：    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。    基于direct的方式，使用kafka的简单api，Spark Streaming自己就负责追踪消费的offset，并保存在checkpoint中。Spark自己一定是同步的，因此可以保证数据    是消费一次且仅消费一次。 JavaPairReceiverInputDStream
     
       directKafkaStream =      KafkaUtils.createDirectStream(streamingContext,         [key class], [value class], [key decoder class], [value decoder class],         [map of Kafka parameters], [set of topics to consume]); Kafka命令：bin/kafka-topics.sh --zookeeper 192.168.1.107:2181,192.168.1.108:2181,192.168.1.109:2181 --topic TestTopic --replication-factor 1 --partitions 1 --createbin/kafka-console-producer.sh --broker-list 192.168.1.107:9092,192.168.1.108:9092,192.168.1.109:9092 --topic TestTopic192.168.1.191:2181,192.168.1.192:2181,192.168.1.193:2181metadata.broker.list

2、java版本

package cn.spark.study.streaming;import java.util.Arrays;import java.util.HashMap;import java.util.HashSet;import java.util.Map;import java.util.Set;import kafka.serializer.StringDecoder;import org.apache.spark.SparkConf;import org.apache.spark.api.java.function.FlatMapFunction;import org.apache.spark.api.java.function.Function2;import org.apache.spark.api.java.function.PairFunction;import org.apache.spark.streaming.Durations;import org.apache.spark.streaming.api.java.JavaDStream;import org.apache.spark.streaming.api.java.JavaPairDStream;import org.apache.spark.streaming.api.java.JavaPairInputDStream;import org.apache.spark.streaming.api.java.JavaStreamingContext;import org.apache.spark.streaming.kafka.KafkaUtils;import scala.Tuple2;/** * 基于Kafka Direct方式的实时wordcount程序 * @author Administrator * */public class KafkaDirectWordCount {    public static void main(String[] args) {        SparkConf conf = new SparkConf()                .setMaster("local[2]")                .setAppName("KafkaDirectWordCount");          JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(5));                // 首先，要创建一份kafka参数map        Map
     
       kafkaParams = new HashMap
      
       ();        kafkaParams.put("metadata.broker.list",                 "192.168.1.135:9092,192.168.1.136:9092,192.168.1.137:9092");                // 然后，要创建一个set，里面放入，你要读取的topic        // 这个，就是我们所说的，它自己给你做的很好，可以并行读取多个topic        Set
       
         topics = new HashSet
        
         ();        topics.add("WordCount");                // 创建输入DStream        JavaPairInputDStream
         
           lines = KafkaUtils.createDirectStream(                jssc,                 String.class,                 String.class,                 StringDecoder.class,                 StringDecoder.class,                 kafkaParams,                 topics);                // 执行wordcount操作        JavaDStream
          
            words = lines.flatMap( new FlatMapFunction
           
            
             , String>() { private static final long serialVersionUID = 1L; @Override public Iterable
             
               call(Tuple2
              
                tuple) throws Exception { return Arrays.asList(tuple._2.split(" ")); } }); JavaPairDStream
               
                 pairs = words.mapToPair( new PairFunction
                
                 () { private static final long serialVersionUID = 1L; @Override public Tuple2
                 
                   call(String word) throws Exception { return new Tuple2
                  
                   (word, 1); } }); JavaPairDStream
                   
                     wordCounts = pairs.reduceByKey( new Function2
                    
                     () { private static final long serialVersionUID = 1L; @Override public Integer call(Integer v1, Integer v2) throws Exception { return v1 + v2; } }); wordCounts.print(); jssc.start(); jssc.awaitTermination(); jssc.close(); } }