SparkStreaming操作Kafka

Kafka为一个分布式的消息队列，spark流操作kafka有两种方式：

一种是利用接收器（receiver）和kafaka的高层API实现。

一种是不利用接收器，直接用kafka底层的API来实现（spark1.3以后引入）。

Receiver方式

基于Receiver方式实现会利用Kakfa的高层消费API，和所有的其他Receivers一样，接受到的数据会保存到excutors中，然后由spark Streaming 来启动Job进行处理这些数据。

在默认的配置下，这种方式在失败的情况下，会丢失数据，如果要保证零数据丢失，需要启用WAL(Write Ahead Logs)。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。

使用两个步骤：

1、添加依赖：spark-streaming-kafka_2.10-1.3.0

2、编程：import org.apache.spark.streaming.kafka._

val kafkaStream = KafkaUtils.createStream(streamingContext,[ZK quorum], [consumer group id], [per-topic number of Kafka partitions to consume])

注意：

• kafka的分区数和Spark的RDD的分区不是一个概念。所以在上述函数中增加特定主题的分区数，仅仅增加了一个receiver中消费topic的线程数，并不难增加spark并行处理数据的数量。

（那是不是多少个paratition最好对应多少个receiver的消费线程啊？）

• 对于不同的group和topic，可以使用多个recivers创建多个DStreams来并行处理数据（如果是同一个topic如何保证数据不被重复消费？）

• 如果启用了WAL，接收到的数据会被持久化一份到日志中，因此需要将storage_lever设置成StorgeLevel.MEMORY_AND_DISK_SER
  开启：

  val conf = new SparkConf()

  conf.set("spark.streaming.receiver.writeAheadLog.enable","true")

  val sc= new SparkContext(conf)

  val ssc = new StreamingContext(sc,Seconds(5))

  ssc.checkpoint("checkpoint")

  val lines = KafkaUtils.createStream[String, String, StringDecoder, StringDecoder](ssc, kafkaParams, topicMap, StorageLevel.MEMORY_AND_DISK_SER).map(_._2)

   

  //开启在强行终止的情况下，数据仍然会丢失，解决办法：

  sys.addShutdownHook({

    ssc.stop(true,true)

  )})

3、运行

运行提交代码的时候，需要添加以下基本Jar包依赖：

　--jars lib/spark-streaming-kafka_2.10-1.3.0.jar,

　　　　lib/spark-streaming_2.10-1.3.0.jar,

　　　　lib/kafka_2.10-0.8.1.1.jar,lib/zkclient-0.3.jar,

4、例子

object KafkaWordCount {

  def main(args: Array[String]) {

    if (args.length < 4) {

      System.err.println("Usage: KafkaWordCount <zkQuorum> <group> <topics> <numThreads>")

      System.exit(1)

    }

  

    StreamingExamples.setStreamingLogLevels()

  

    val Array(zkQuorum, group, topics, numThreads) = args

    val sparkConf = new SparkConf().setAppName("KafkaWordCount")

    val ssc =  new StreamingContext(sparkConf, Seconds(2))

    //保证元数据恢复，就是Driver端挂了之后数据仍然可以恢复

    ssc.checkpoint("checkpoint")

  

    val topicMap = topics.split(",").map((_,numThreads.toInt)).toMap

    val lines = KafkaUtils.createStream(ssc, zkQuorum, group, topicMap).map(_._2)

    val words = lines.flatMap(_.split(" "))

    val wordCounts = words.map(x => (x, 1L))

      .reduceByKeyAndWindow(_ + _, _ - _, Minutes(10), Seconds(2), 2)

    wordCounts.print()

  

    ssc.start()

    ssc.awaitTermination()

  }

}

5、图示：

<接收示意图>

<元数据恢复>

直接操作方式

不同于Receiver接收数据方式，这种方式定期从kafka的topic下对应的partition中查询最新偏移量，并在每个批次中根据相应的定义的偏移范围进行处理。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：

• 简单的并发：

不需要创建多个kafka输入流，然后Union他们，而使用DirectStream，spark Streaming将会创建和kafka分区一样的RDD的分区数，而且会从kafka并行读取数据，Spark的分区数和Kafka的分区数是一一对应的关系。

• 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：一次是被Kafka复制；另一次是写入到WAL中，没有Receiver消除了这个问题。

• 仅一次语义：

Receiver方式读取kafka，使用的是高层API将偏移量写入ZK中，虽然这种方法可以通过数据保存在WAL中保证数据的不对，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，

第二种方式不采用ZK保存偏移量，消除了两者的不一致，保证每个记录只被Spark Streaming操作一次，即使是在处理失败的情况下。如果想更新ZK中的偏移量数据，需要自己写代码来实现。

1、引入依赖

同第一种方式。

2、编程

import org.apache.spark.streaming.kafka._

 

 

val directKafkaStream = KafkaUtils.createDirectStream[[key class], [value class], [key decoder class], [value decoder class] ](streamingContext, [map of Kafka parameters], [set of topics to consume])

如果想获得每个topic中每个分区的在spark streaming中的偏移量，可以通过以下代码：

directKafkaStream.foreachRDD { rdd =>

    val offsetRanges = rdd.asInstanceOf[HasOffsetRanges]

    // offsetRanges.length = # of Kafka partitions being consumed

    ...

}

//例子：

val ssc = new StreamingContext(sc, Seconds(2))

val kafkaParams = Map("zookeeper.connect" -> zkConnect,

      "group.id" -> kafkaGroupId,

      "metadata.broker.list" -> "10.15.42.23:8092,10.15.42.22:8092",

      "auto.offset.reset" -> "smallest"

    )

val topics = Set(topic)

 

val directKafkaStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](

      ssc, kafkaParams, topics)

 

//KafkaCluster 需要从源码拷贝，此类是私有类。

directKafkaStream.foreachRDD(

 rdd => {

 val offsetLists = rdd.asInstanceOf[HasOffsetRanges].offsetRanges

 val kc = new KafkaCluster(kafkaParams)

 for (offsets <- offsetLists) {

 val topicAndPartition = TopicAndPartition(offsets.topic, offsets.partition)

 val o = kc.setConsumerOffsets(kafkaGroupId, Map((topicAndPartition, offsets.untilOffset)))

 if (o.isLeft) {

 println(s"Error updating the offset to Kafka cluster: ${o.left.get}")

 }

 }

 }

)

 

 

 

3、部署：

同第一种方式。

4、图示：