使用 Kafka + Spark Streaming + Cassandra 构建数据实时处理引擎

Apache Kafka 是一个可扩展，高性能，低延迟的平台，允许我们像消息系统一样读取和写入数据。我们可以很容易地在 Java 中使用 Kafka。

Spark Streaming 是 Apache Spark 的一部分，是一个可扩展、高吞吐、容错的实时流处理引擎。虽然是使用 Scala 开发的，但是支持 Java API。

Apache Cassandra 是分布式的 NoSQL 数据库。

准备

在进行下面文章介绍之前，我们需要先创建好 Kafka 的主题以及 Cassandra 的相关表，具体如下：

在 Kafka 中创建名为 messages 的主题

$KAFKA_HOME$\bin\windows\kafka-topics.bat --create \

 --zookeeper localhost:2181 \

 --replication-factor 1 --partitions 1 \

 --topic messages

在 Cassandra 中创建 KeySpace 和 table

CREATE KEYSPACE vocabulary

    WITH REPLICATION = {

        'class' : 'SimpleStrategy',

        'replication_factor' : 1

    };

USE vocabulary;

CREATE TABLE words (word text PRIMARY KEY, count int);

上面我们创建了名为 vocabulary 的 KeySpace，以及名为 words 的表。

添加依赖

我们使用 Maven 进行依赖管理，这个项目使用到的依赖如下：

<dependency>

    <groupId>org.apache.spark</groupId>

    <artifactId>spark-core_2.11</artifactId>

    <version>2.3.0</version>

    <scope>provided</scope>

</dependency>

<dependency>

    <groupId>org.apache.spark</groupId>

    <artifactId>spark-sql_2.11</artifactId>

    <version>2.3.0</version>

    <scope>provided</scope>

</dependency>

<dependency>

    <groupId>org.apache.spark</groupId>

    <artifactId>spark-streaming_2.11</artifactId>

    <version>2.3.0</version>

    <scope>provided</scope>

</dependency>

<dependency>

    <groupId>org.apache.spark</groupId>

    <artifactId>spark-streaming-kafka-0-10_2.11</artifactId>

    <version>2.3.0</version>

</dependency>

<dependency>

    <groupId>com.datastax.spark</groupId>

    <artifactId>spark-cassandra-connector_2.11</artifactId>

    <version>2.3.0</version>

</dependency>

<dependency>

    <groupId>com.datastax.spark</groupId>

    <artifactId>spark-cassandra-connector-java_2.11</artifactId>

    <version>1.5.2</version>

</dependency>

数据管道开发

我们将使用 Spark 在 Java 中创建一个简单的应用程序，它将与我们之前创建的Kafka主题集成。应用程序将读取已发布的消息并计算每条消息中的单词频率。 然后将结果更新到 Cassandra 表中。整个数据架构如下：

现在我们来详细介绍代码是如何实现的。

获取 JavaStreamingContext

Spark Streaming 中的切入点是 JavaStreamingContext，所以我们首先需要获取这个对象，如下：

SparkConf sparkConf = new SparkConf();

sparkConf.setAppName("WordCountingApp");

sparkConf.set("spark.cassandra.connection.host", "127.0.0.1");

  

JavaStreamingContext streamingContext = new JavaStreamingContext(

  sparkConf, Durations.seconds(1));

从 Kafka 中读取数据

有了 JavaStreamingContext 之后，我们就可以从 Kafka 对应主题中读取实时流数据，如下：

Map<String, Object> kafkaParams = new HashMap<>();

kafkaParams.put("bootstrap.servers", "localhost:9092");

kafkaParams.put("key.deserializer", StringDeserializer.class);

kafkaParams.put("value.deserializer", StringDeserializer.class);

kafkaParams.put("group.id", "use_a_separate_group_id_for_each_stream");

kafkaParams.put("auto.offset.reset", "latest");

kafkaParams.put("enable.auto.commit", false);

Collection<String> topics = Arrays.asList("messages");

  

JavaInputDStream<ConsumerRecord<String, String>> messages =

  KafkaUtils.createDirectStream(

    streamingContext,

    LocationStrategies.PreferConsistent(),

    ConsumerStrategies.<String, String> Subscribe(topics, kafkaParams));

我们在程序中提供了 key 和 value 的 deserializer。这个是 Kafka 内置提供的。我们也可以根据自己的需求自定义 deserializer。

处理 DStream

我们在前面只是定义了从 Kafka 中哪张表中获取数据，这里我们将介绍如何处理这些获取的数据：

JavaPairDStream<String, String> results = messages

  .mapToPair(

      record -> new Tuple2<>(record.key(), record.value())

  );

JavaDStream<String> lines = results

  .map(

      tuple2 -> tuple2._2()

  );

JavaDStream<String> words = lines

  .flatMap(

      x -> Arrays.asList(x.split("\\s+")).iterator()

  );

JavaPairDStream<String, Integer> wordCounts = words

  .mapToPair(

      s -> new Tuple2<>(s, 1)

  ).reduceByKey(

      (i1, i2) -> i1 + i2

    );

将数据发送到 Cassandra 中

最后我们需要将结果发送到 Cassandra 中，代码也很简单。

wordCounts.foreachRDD(

    javaRdd -> {

      Map<String, Integer> wordCountMap = javaRdd.collectAsMap();

      for (String key : wordCountMap.keySet()) {

        List<Word> wordList = Arrays.asList(new Word(key, wordCountMap.get(key)));

        JavaRDD<Word> rdd = streamingContext.sparkContext().parallelize(wordList);

        javaFunctions(rdd).writerBuilder(

          "vocabulary", "words", mapToRow(Word.class)).saveToCassandra();

      }

    }

  );

启动应用程序

最后，我们需要将这个 Spark Streaming 程序启动起来，如下：

streamingContext.start();

streamingContext.awaitTermination();

使用 Checkpoints

在实时流处理应用中，将每个批次的状态保存下来通常很有用。比如在前面的例子中，我们只能计算单词的当前频率，如果我们想计算单词的累计频率怎么办呢？这时候我们就可以使用 Checkpoints。新的数据架构如下

为了启用 Checkpoints，我们需要进行一些改变，如下：

streamingContext.checkpoint("./.checkpoint");

这里我们将 checkpoint 的数据写入到名为 .checkpoint 的本地目录中。但是在现实项目中，最好使用 HDFS 目录。

现在我们可以通过下面的代码计算单词的累计频率：

JavaMapWithStateDStream<String, Integer, Integer, Tuple2<String, Integer>> cumulativeWordCounts = wordCounts

  .mapWithState(

    StateSpec.function(

        (word, one, state) -> {

          int sum = one.orElse(0) + (state.exists() ? state.get() : 0);

          Tuple2<String, Integer> output = new Tuple2<>(word, sum);

          state.update(sum);

          return output;

        }

      )

    );

部署应用程序

最后，我们可以使用 spark-submit 来部署我们的应用程序，具体如下：

$SPARK_HOME$\bin\spark-submit \

  --class com.baeldung.data.pipeline.WordCountingAppWithCheckpoint \

  --master local[2]

  \target\spark-streaming-app-0.0.1-SNAPSHOT-jar-with-dependencies.jar

最后，我们可以在 Cassandra 中查看到对应的表中有数据生成了。完整的代码可以参见 https://github.com/eugenp/tutorials/tree/master/apache-spark