kafka 基础知识整理（三）kafka + spark streaming

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）。

一、Reveiver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：
1.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？）
2.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？）。
3.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    ") 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：

kafka 基础知识整理（三）kafka + spark streaming_第1张图片

Receiver

kafka 基础知识整理（三）kafka + spark streaming_第2张图片

数据恢复

kafka 基础知识整理（三）kafka + spark streaming_第3张图片

二、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：

1、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。

2、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。

3、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。

kafka 基础知识整理（三）kafka + spark streaming_第4张图片

直接操作

步骤：
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])

3、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：

kafka 基础知识整理（三）kafka + spark streaming_第5张图片