文章地址：http://www.haha174.top/article/details/251904
1 基于Receiver 的方式
这种方式使用receiver 来获取数据，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，如果要启动高可用的可靠机制，让数据零丢失，就必须启动Spark Streaming 的预写日志机制 ，该机制会同步地接收到kafka 数据写入分布式文件系统比如hdfs 上的预写日志中，所以即便底层节点出现了失败，也可以使用预写日志及进行恢复。
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，只会怎放假一个Receiver中读取数据partition的线程的数量。不会增加spark
处理数据的并行度。
可以创建多个kafka 输入的DStream ，使用不通的consumer group 和topic 来通过receiver 并行的接收数据
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的日志中。
下面给出java 示例：
public class KAFKAWorldCount {
public static void main(String[] args) throws InterruptedException {
SparkConf conf=new SparkConf().setMaster("local[2]").setAppName("KAFKAWorldCount");
JavaStreamingContext jssc=new JavaStreamingContext(conf, Durations.seconds(5));
Map map=new HashMap<>();
map.put("worldCount",1);
JavaPairReceiverInputDStream lines= KafkaUtils.createStream(jssc,"cloud.codeguoj.cn:2181","DefaultConsumerGroup",map);
JavaDStream worlds=lines.flatMap(new FlatMapFunction, String>() {
@Override
public Iterator call(Tuple2 stringStringTuple2) throws Exception {
return Arrays.asList(stringStringTuple2._2.split(" ")).iterator();
}
});
JavaPairDStream linePair=worlds.mapToPair(new PairFunction() {
@Override
public Tuple2 call(String s) throws Exception {
return new Tuple2(s,1);
}
});
JavaPairDStream lineWorldCount=linePair.reduceByKey(new Function2() {
@Override
public Integer call(Integer v1, Integer v2) throws Exception {
return v1+v2;
}
});
lineWorldCount.print();
jssc.start();
jssc.awaitTermination();
jssc.stop();
jssc.close();
}
}
2 基于Direct 的方式
这种不基于Receiver 的直接方式 能够保证更加健壮的机制，替代掉使用Receiver 来接收数据后，从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 启动的时候就会使用kafka 的简单的consumer api 来获取kafka 指定的offset 范围的数据
这种方式有如下优点：
1.简化并行读取：如果要读取多额partition 不需要创建多个DStream 然后对他们进行union 的操作。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kakfa 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 的方式种需要开启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 自己本地就有高可靠的机制，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 中做了数据的复制，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zookeeper 中保存消费过的offset 。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zookeeepr 之间是不同步的
基于direct 的方式使用kafka 的简单的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，因此可以保证消费因此且仅消费一次。
下面给出java 示例：
public class KAFKADriectWorldCount {
public static void main(String[] args) throws InterruptedException {
SparkConf conf=new SparkConf().setMaster("local[2]").setAppName("KAFKAWorldCount");
JavaStreamingContext jssc=new JavaStreamingContext(conf, Durations.seconds(5));
Map map=new HashMap<>();
map.put("metadata.broker.list","cloud.codeguoj.cn:9092");
Set toPics=new HashSet<>();
toPics.add("worldCount");
JavaPairInputDStream lines= KafkaUtils.createDirectStream(jssc,
String.class,
String.class,
StringDecoder.class,
StringDecoder.class,
map,
toPics);
JavaDStream worlds=lines.flatMap(new FlatMapFunction, String>() {
@Override
public Iterator call(Tuple2 stringStringTuple2) throws Exception {
return Arrays.asList(stringStringTuple2._2.split(" ")).iterator();
}
});
JavaPairDStream linePair=worlds.mapToPair(new PairFunction() {
@Override
public Tuple2 call(String s) throws Exception {
return new Tuple2(s,1);
}
});
JavaPairDStream lineWorldCount=linePair.reduceByKey(new Function2() {
@Override
public Integer call(Integer v1, Integer v2) throws Exception {
return v1+v2;
}
});
lineWorldCount.print();
jssc.start();
jssc.awaitTermination();
jssc.stop();
jssc.close();
}
}
欢迎关注，更多福利
