Kafka整合SparkStreaming2.2的一下午（奇葩错误一堆）

集群环境：CDH 5.13.0，Spark 2.2.0，Scala 2.11.0

ps：没营养的错误。。有些难受。还是要多看看源码啊。。

1.重头：Kafka整合SparkStreaming

官网整合文档：http://spark.apache.org/docs/2.2.0/streaming-kafka-0-10-integration.html

此处选择kafka 0.10版本
点进去首先就能看到关键东西 - Maven坐标，我们选择：

<dependency>
    <groupId>org.apache.sparkgroupId>
    <artifactId>spark-streaming-kafka-0-10_2.11artifactId>
    <version>2.2.0version>
dependency>

这个整合依赖包包含很多组件，可以ctrl点击进去查看
但除了这个，我还加了两个包，便于本地测试：

<dependency>
    <groupId>org.apache.sparkgroupId>
    <artifactId>spark-core_2.11artifactId>
    <version>2.2.0version>
    <scope>providedscope>
dependency>
<dependency>
    <groupId>org.apache.sparkgroupId>
    <artifactId>spark-streaming_2.11artifactId>
    <version>2.2.0version>
    <scope>providedscope>
dependency>

Scope设置为provided，打包时就不用加进去了，因为集群环境本地存在这些包。

注：打包插件：

<build>
    <plugins>
        <plugin>
            <artifactId>maven-assembly-pluginartifactId>
            <configuration>
                <descriptorRefs>
                    <descriptorRef>jar-with-dependenciesdescriptorRef>
                descriptorRefs>
                <archive>
                    <manifest>
                        <mainClass>com.yj.test1mainClass>
                    manifest>
                archive>
            configuration>
            <executions>
                <execution>
                    <id>make-assemblyid>
                    <phase>packagephase>
                    <goals>
                        <goal>singlegoal>
                    goals>
                execution>
            executions>
        plugin>
    plugins>
build>

通过Spark集群运行代码：

import org.apache.kafka.clients.consumer.ConsumerRecord
import org.apache.spark.streaming.dstream.{DStream, InputDStream}
import org.apache.spark.streaming.kafka010.{CanCommitOffsets, HasOffsetRanges, KafkaUtils, LocationStrategies}
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.streaming.{Milliseconds, Seconds, StreamingContext}
import org.apache.kafka.common.serialization.StringDeserializer
import org.apache.spark.streaming.kafka010.ConsumerStrategies.Subscribe


def main(args: Array[String]): Unit = {

    //配置spqrkconf参数
    val sparkConf: SparkConf = new SparkConf().setAppName("SparkStreaming_kafka_direct").setMaster("local[2]")
    //构建sparkContext对象
    val sc: SparkContext = new SparkContext(sparkConf)
    sc.setLogLevel("WARN")
    //构建StreamingContext对象，每个批处理的时间间隔
    val ssc: StreamingContext = new StreamingContext(sc, Milliseconds(3000))
    //设置checkpoint
//    ssc.checkpoint("/user/spark/sparkstreaming/checkpoint")

    //设置broker的地址信息，有多个可以写多个，用逗号隔开
    val brokers = "cdh1:9092,cdh2:9092,cdh3:9092"

    //设置参数信息
    val kafkaParams = Map[String, Object](
      "bootstrap.servers" -> brokers,
      "key.deserializer" -> classOf[StringDeserializer],
      "value.deserializer" -> classOf[StringDeserializer],
      "group.id" -> "fodr_each_stream",
      "auto.offset.reset" -> "latest",
      "enable.auto.commit" -> (false: java.lang.Boolean)
    )

    val topics = Array("test")

    // 创建一个DirectStream
    val stream: InputDStream[ConsumerRecord[String, String]] = KafkaUtils.createDirectStream[String, String](
      ssc, LocationStrategies.PreferConsistent, Subscribe[String, String](topics, kafkaParams)
    )


    stream.foreachRDD { rdd =>
      val offsetRanges = rdd.asInstanceOf[HasOffsetRanges].offsetRanges

      // some time later, after outputs have completed
      stream.asInstanceOf[CanCommitOffsets].commitAsync(offsetRanges)
    }

    val words: DStream[String] = stream.map(_.value()).flatMap(_.split(" "))
    val wordAndOne: DStream[(String, Int)] = words.map((_,1))
//    val total: DStream[(String, Int)] = wordAndOne.updateStateByKey(updateFunc)
    val windows: DStream[(String, Int)] = wordAndOne.reduceByKeyAndWindow((v1: Int, v2: Int) =>
      v1 + v2, Seconds(3), Seconds(6))
    windows.print()
//    total.print()

    ssc.start()
    ssc.awaitTermination()
  }

注：若想使用 updateStateByKey 则必须设置 checkpoint

集群服务器提交job：

spark2-submit   --master yarn \
--deploy-mode client \ --num-executors 16 \ --executor-cores 2 \ --executor-memory 8g \ --class com.yj.test1 \ --driver-memory 2g \ /root/scala_test_bak-1.0-SNAPSHOT-jar-with-dependencies.jar

基本OK了。。

2.各种错误

错误1：首当其冲的一个bug：NoSuchMethodError

Exception in thread "streaming-start" java.lang.NoSuchMethodError:
 org.apache.kafka.clients.consumer.KafkaConsumer.subscribe

这个错误真的太经典了，在整合Kafka和SparkStreaming时。。百度谷歌过一堆，很常见，但真正有营养的没几个

总结：发生这种错误，99%都是因为版本没整合好！
比如：
Spark版本是不是2.2.0
Scala版本是不是2.11.0
kafka版本是不是高于0.10.0
我的问题就在于Spark默认的kafka版本为0.9，根本不是0.10！

改为0.10就ok了

仔细看看你的集群环境，版本吧

错误2：检查checkpoint，文件不存在

以为是checkpoint那行代码有问题，hdfs路径、权限、需要提前创建什么的，看了下源码：

def checkpoint(directory: String) {
    if (directory != null) {
      val path = new Path(directory)
      val fs = path.getFileSystem(sparkContext.hadoopConfiguration)
      fs.mkdirs(path)
      val fullPath = fs.getFileStatus(path).getPath().toString
      sc.setCheckpointDir(fullPath)
      checkpointDir = fullPath
    } else {
      checkpointDir = null
    }
  }

并没有问题啊！（集群默认路径为hdfs）
排查发现：spark提交命令没写executor。。

错误3：

task数疯狂弹跳上涨，感觉是checkpoint有问题，写线程被无限拒绝，task无限重启失败
解决：换了一个topic就好了。。

错误4：Xshell5终端消费消息看不到，无论怎么生产消息，就是看不到被消费
解决：换了一个SSH渠道就看到消息了（xshell显示问题）。。。

还有一些小问题夹杂其中，都有些莫名其妙。。日后使用时出现问题再总结吧