Spark(八) -- 百亿级大数据实时计算实战 Spark Streaming对接Kafka

Spark Streaming整合Kafka

1.1 Kafka快速回顾

1.1.1 核心概念图解

• Broker ： 安装Kafka服务的机器就是一个broker
• Producer ：消息的生产者，负责将数据写入到broker中(push)
• Consumer：消息的消费者，负责从kafka中拉取数据(pull)，老版本的消费者需要依赖zk，新版本的不需要
• Topic: 主题，相当于是数据的一个分类，不同topic存放不同业务的数据 --主题:区分业务
• Replication:副本，数据保存多少份(保证数据不丢失) --副本:数据安全
• Partition:分区，是一个物理的分区,一个分区就是一个文件,一个Topic可以有1~n个分区,每个分区都有自己的副本 --分区:并发读写
• Consumer Group：消费者组，一个topic可以有多个消费者/组同时消费，多个消费者如果在一个消费者组中，那么他们不能重复消费数据 --消费者组:提高消费者消费速度、方便统一管理
• 注意：一个Topic可以被多个消费者或者组订阅，一个消费者/组也可以订阅多个主题
• 注意：读数据只能从Leader读， 写数据也只能往Leader写，Follower会从Leader那里同步数据过来做副本！！！

1.1.2 kafka集群部署

参见 Kafka入门-集群搭建

1.1.3 常用命令

• 启动kafka

/home/hadoop/apps/kafka_2.10-0.8.2.1/bin/kafka-server-start.sh apps/kafka_2.10-0.8.2.1/config/server.properties > /dev/null 2>&1 &

• 停止kafka

/home/hadoop/apps/kafka_2.10-0.8.2.1/bin/kafka-server-stop.sh 

• 查看topic信息

/home/hadoop/apps/kafka_2.10-0.8.2.1/bin/kafka-topics.sh --list --zookeeper 192.168.72.128:2181

• 创建topic

/home/hadoop/apps/kafka_2.10-0.8.2.1/bin/kafka-topics.sh --create --zookeeper 192.168.72.128:2181 --replication-factor 3 --partitions 3 --topic test

• 查看某个topic信息

/home/hadoop/apps/kafka_2.10-0.8.2.1/bin/kafka-topics.sh --describe --zookeeper 192.168.72.128:2181 --topic test

• 删除topic

/home/hadoop/apps/kafka_2.10-0.8.2.1/bin/kafka-topics.sh --zookeeper 192.168.72.128:2181 --delete --topic test

• 启动生产者–控制台的生产者一般用于测试

/home/hadoop/apps/kafka_2.10-0.8.2.1/bin/kafka-console-producer.sh --broker-list 192.168.72.128:9092 --topic test

• 启动消费者–控制台的消费者一般用于测试

/home/hadoop/apps/kafka_2.10-0.8.2.1/bin/kafka-console-consumer.sh --zookeeper 192.168.72.128:2181 --topic test--from-beginning
// 或者
/home/hadoop/apps/kafka_2.10-0.8.2.1/bin/kafka-console-consumer.sh --zookeeper 192.168.72.128:2181,192.168.72.129:2181,192.168.72.130:2181 --topic test --from-beginning

1.2 整合Kafka两种模式说明

开发中我们经常会利用SparkStreaming实时地读取kafka中的数据然后进行处理，在spark1.3版本后，kafkaUtils里面提供了两种创建DStream的方法:

• 1.Receiver接收方式：
  KafkaUtils.createDstream：
  Receiver作为常驻的Task运行在Executor等待数据，但是一个Receiver效率低，需要开启多个，再手动合并数据(union)，再进行处理，很麻烦。Receiver那台机器挂了，可能会丢失数据，所以需要开启WAL(预写日志)保证数据安全，那么效率又会降低！Receiver方式是通过zookeeper来连接kafka队列，调用Kafka高阶API，offset存储在zookeeper，由Receiver维护，spark在消费的时候为了保证数据不丢也会在Checkpoint中存一份offset，可能会出现数据不一致，所以不管从何种角度来说，Receiver模式都不适合在开发中使用了,已经淘汰了。
• 2.Direct直连方式：
  KafkaUtils.createDirectStream：
  Direct方式是直接连接kafka分区来获取数据，从每个分区直接读取数据大大提高了并行能力，Direct方式调用Kafka低阶API(底层API)，offset自己存储和维护，默认由Spark维护在checkpoint中，消除了与zk不一致的情况，当然也可以自己手动维护，把offset存在mysql、redis中，所以基于Direct模式可以在开发中使用，且借助Direct模式的特点+手动操作可以保证数据的Exactly once 精准一次。
• 扩展：关于消息语义

实现方式	消息语义	存在的问题
Receiver	at most once 最多被处理一次	会丢失数据
Receiver+WAL	at least once 最少被处理一次	不会丢失数据，但可能会重复消费，且效率低
Direct+手动操作	exactly once只被处理一次 精准一次	不会丢失数据，也不会重复消费，且效率高

• 注意:
  开发中SparkStreaming和kafka集成有两个版本：0.8及0.10+
  0.8版本有Receiver和Direct模式(但是0.8版本生产环境问题较多，在Spark2.3之后不支持0.8版本了)。
  0.10以后只保留了direct模式(Reveiver模式不适合生产环境)，并且0.10版本API有变化(更加强大)。
  

1.3 spark-streaming + kafka_0.8(了解)

1.3.1 Receiver

KafkaUtils.createDstream使用了receivers来接收数据，利用的是Kafka高层次的消费者api，偏移量由Receiver维护在zk中，对于所有的receivers接收到的数据将会保存在Spark executors中，然后通过Spark Streaming启动job来处理这些数据，默认会丢失，可启用WAL日志，它同步将接受到数据保存到分布式文件系统上比如HDFS。保证数据在出错的情况下可以恢复出来。尽管这种方式配合着WAL机制可以保证数据零丢失的高可靠性，但是启用了WAL效率会较低，且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ZooKeeper之间可能是不同步的。
$官方现在已经不推荐这种整合方式$

• 准备工作
  • 启动zookeeper集群
    apps/zookeeper/bin/zkServer.sh start
  • 启动kafka集群
    apps/kafka/bin/kafka-server-start.sh config/server.properties > /dev/null 2>&1 &
  • 创建topic
    apps/kafka/bin/kafka-topics.sh --create --zookeeper 192.168.72.128:2181 --replication-factor 1 --partitions 2 --topic test
  • 通过shell命令向topic发送消息
    kafka-console-producer.sh --broker-list 192.168.72.128:9092 --topic test
    发送的信息体为： hadoop spark sqoop hadoop spark hive hadoop
  • 添加kafka的pom依赖

  
  org.apache.spark
  spark-streaming-kafka-0-8_2.11
  2.2.0
  
  

• API
  通过receiver接收器获取kafka中topic数据，可以并行运行更多的接收器读取kafak topic中的数据，这里为3个

val receiverDStream: immutable.IndexedSeq[ReceiverInputDStream[(String, String)]] = (1 to 3).map(x => {
      val stream: ReceiverInputDStream[(String, String)] = KafkaUtils.createStream(ssc, zkQuorum, groupId, topics)
      stream
    })

如果启用了WAL(spark.streaming.receiver.writeAheadLog.enable=true)可以设置存储级别(默认StorageLevel.MEMORY_AND_DISK_SER_2)

• 代码演示

import org.apache.spark.streaming.dstream.{DStream, ReceiverInputDStream}
import org.apache.spark.streaming.kafka.KafkaUtils
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.{SparkConf, SparkContext}

import scala.collection.immutable

object SparkKafka {
  def main(args: Array[String]): Unit = {
    //1.创建StreamingContext
    val config: SparkConf =
      new SparkConf().setAppName("SparkStream").setMaster("local[*]")
        .set("spark.streaming.receiver.writeAheadLog.enable", "true")
    //开启WAL预写日志，保证数据源端可靠性
    val sc = new SparkContext(config)
    sc.setLogLevel("WARN")
    val ssc = new StreamingContext(sc,Seconds(5))
    ssc.checkpoint("D:/kafka")
    //==============================================
    //2.准备配置参数
    val zkQuorum = "192.168.72.128:2181,192.168.72.129:2181,192.168.72.130:2181"
    val groupId = "spark"
    val topics = Map("test" -> 2)//2表示每一个topic对应分区都采用2个线程去消费,
    //ssc的rdd分区和kafka的topic分区不一样，增加消费线程数，并不增加spark的并行处理数据数量
    //3.通过receiver接收器获取kafka中topic数据，可以并行运行更多的接收器读取kafak topic中的数据，这里为3个
    val receiverDStream: immutable.IndexedSeq[ReceiverInputDStream[(String, String)]] = (1 to 3).map(x => {
      val stream: ReceiverInputDStream[(String, String)] = KafkaUtils.createStream(ssc, zkQuorum, groupId, topics)
      stream
    })
    //4.使用union方法，将所有receiver接受器产生的Dstream进行合并
    val allDStream: DStream[(String, String)] = ssc.union(receiverDStream)
    //5.获取topic的数据(String, String) 第1个String表示topic的名称，第2个String表示topic的数据
    val data: DStream[String] = allDStream.map(_._2)
    //==============================================
    //6.WordCount
    val words: DStream[String] = data.flatMap(_.split(" "))
    val wordAndOne: DStream[(String, Int)] = words.map((_, 1))
    val result: DStream[(String, Int)] = wordAndOne.reduceByKey(_ + _)
    result.print()
    ssc.start()
    ssc.awaitTermination()
  }
}

执行结果如下：

1.3.2. Direct

Direct方式会定期地从kafka的topic下对应的partition中查询最新的偏移量，再根据偏移量范围在每个batch里面处理数据，Spark通过调用kafka简单的消费者API读取一定范围的数据。

• Direct的缺点是无法使用基于zookeeper的kafka监控工具
• Direct相比基于Receiver方式有几个优点：
  • 简化并行: 不需要创建多个kafka输入流，然后union它们，sparkStreaming将会创建和kafka分区数一样的rdd的分区数，而且会从kafka中并行读取数据，spark中RDD的分区数和kafka中的分区数据是一一对应的关系。
  • 高效：Receiver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，第一次是被kafka复制，另一次是写到WAL中。而Direct不使用WAL消除了这个问题。
  • 恰好一次语义(Exactly-once-semantics)： Receiver读取kafka数据是通过kafka高层次api把偏移量写入zookeeper中，虽然这种方法可以通过数据保存在WAL中保证数据不丢失，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。Direct的Exactly-once-semantics(EOS)通过实现kafka低层次api，偏移量仅仅被ssc保存在checkpoint中，消除了zk和ssc偏移量不一致的问题。
• API
  KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](ssc, kafkaParams, topics)
• 代码演示：

import kafka.serializer.StringDecoder
import org.apache.log4j.{Level, Logger}
import org.apache.spark.streaming.dstream.{DStream, InputDStream}
import org.apache.spark.streaming.kafka.KafkaUtils
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.{SparkConf, SparkContext}


object SparkKafka2 {
  def main(args: Array[String]): Unit = {
    Logger.getLogger("org").setLevel(Level.WARN)
    //1.创建StreamingContext
    val config: SparkConf =
      new SparkConf().setAppName("SparkStream").setMaster("local[*]")
    val sc = new SparkContext(config)
    sc.setLogLevel("WARN")
    val ssc = new StreamingContext(sc,Seconds(5))
    ssc.checkpoint("D:/kafka1")
    //==============================================
    //2.准备配置参数
    val kafkaParams = Map("metadata.broker.list" -> "192.168.72.128:9092,192.168.72.129:9092,192.168.72.130:9092", "group.id" -> "spark")
    val topics = Set("test")
    val allDStream: InputDStream[(String, String)] = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](ssc, kafkaParams, topics)
    //3.获取topic的数据
    val data: DStream[String] = allDStream.map(_._2)
    //==============================================
    //WordCount
    val words: DStream[String] = data.flatMap(_.split(" "))
    val wordAndOne: DStream[(String, Int)] = words.map((_, 1))
    val result: DStream[(String, Int)] = wordAndOne.reduceByKey(_ + _)
    result.print()
    ssc.start()
    ssc.awaitTermination()
  }

}

通过命令行Kafka生产者发送消息：
hadoop spark sqoop hadoop spark hive hadoop
控制台打印结果如下：

spark-streaming + kafka_0.10

• 说明
  spark-streaming-kafka-0-10版本中，API有一定的变化，操作更加灵活，开发中使用
• pom.xml

    org.apache.spark
    spark-streaming-kafka-0-10_2.11
    ${spark.version}

• API 官方说明
  http://spark.apache.org/docs/latest/streaming-kafka-0-10-integration.html
• 创建topic
• /home/hadoop/apps/kafka/bin/kafka-topics.sh --create --zookeeper 192.168.72.128:2181 --replication-factor 3 --partitions 3 --topic test
• 启动生产者
  /home/hadoop/apps/kafka/bin/kafka-console-producer.sh --broker-list 192.168.72.128:9092,192.168.72.129:9092,192.168.72.130:9092 --topic test
• 代码演示

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

object SparkKafkaDemo {
  def main(args: Array[String]): Unit = {
    //1.创建StreamingContext
    //spark.master should be set as local[n], n > 1
    val conf = new SparkConf().setAppName("wc").setMaster("local[*]")
    val sc = new SparkContext(conf)
    sc.setLogLevel("WARN")
    val ssc = new StreamingContext(sc,Seconds(5))//5表示5秒中对数据进行切分形成一个RDD
    //准备连接Kafka的参数
    val kafkaParams = Map[String, Object](
      "bootstrap.servers" -> "192.168.72.128:9092,192.168.72.129:9092,192.168.72.130:9092",
      "key.deserializer" -> classOf[StringDeserializer],
      "value.deserializer" -> classOf[StringDeserializer],
      "group.id" -> "SparkKafkaDemo",
      //earliest:当各分区下有已提交的offset时，从提交的offset开始消费；无提交的offset时，从头开始消费
      //latest:当各分区下有已提交的offset时，从提交的offset开始消费；无提交的offset时，消费新产生的该分区下的数据
      //none:topic各分区都存在已提交的offset时，从offset后开始消费；只要有一个分区不存在已提交的offset，则抛出异常
      //这里配置latest自动重置偏移量为最新的偏移量,即如果有偏移量从偏移量位置开始消费,没有偏移量从新来的数据开始消费
      "auto.offset.reset" -> "latest",
      //false表示关闭自动提交.由spark帮你提交到Checkpoint或程序员手动维护
      "enable.auto.commit" -> (false: java.lang.Boolean)
    )
    val topics = Array("test")
    //2.使用KafkaUtil连接Kafak获取数据
    val recordDStream: InputDStream[ConsumerRecord[String, String]] = KafkaUtils.createDirectStream[String, String](ssc,
      LocationStrategies.PreferConsistent,//位置策略,源码强烈推荐使用该策略,会让Spark的Executor和Kafka的Broker均匀对应
      ConsumerStrategies.Subscribe[String, String](topics, kafkaParams))//消费策略,源码强烈推荐使用该策略
    //3.操作数据
    val lineDStream: DStream[String] = recordDStream.map(_.value())//_指的是ConsumerRecord
    val wrodDStream: DStream[String] = lineDStream.flatMap(_.split(" ")) //_指的是发过来的value,即一行数据
    val wordAndOneDStream: DStream[(String, Int)] = wrodDStream.map((_,1))
    val result: DStream[(String, Int)] = wordAndOneDStream.reduceByKey(_+_)
    result.print()
    ssc.start()//开启
    ssc.awaitTermination()//等待优雅停止
  }
}