SparkStreaming读取Kafka的两种方式

原文链接:https://mp.toutiao.com/profile_v4/graphic/preview?pgc_id=6855283208414560780

本文主要从以下几个方面介绍SparkStreaming读取Kafka的两种方式:

一、SparkStreaming简介

二、Kafka简介

三、Redis简介(可用于保存历史数据或偏移量数据)

四、SparkStreaming读取Kafka数据的两种方式

五、演示Demo

一、SparkStreaming简介

可以参考这篇文章:SparkStreaming 详解

二、Kafka简介

可以参考这篇文章:Kafka(分布式发布订阅消息系统) 简介

三、Redis简介

可以参考这篇文章:Redis简介

四、SparkStreaming读取Kafka数据的两种方式

spark streaming提供了两种获取方式,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)。

1、reciver链接方式(有些问题,开发中不采用这种方式)

  • 用KafkaUtils.createDstream创建链接。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。
  • 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。
  • 在executor上会有receiver从kafka接收数据并存储在Spark executor中,在到了batch时间后触发job去处理接收到的数据,1个receiver占用1个core使用wal预写机制,因为需要使用hdfs等存储,因此会降低性能。

SparkStreaming读取Kafka的两种方式_第1张图片

receiver方式

基于Receiver方式存在的问题:

  • 启用WAL机制,每次处理之前需要将该batch内的数据备份到checkpoint目录中,这降低了数据处理效率,同时加重了Receiver的压力;另外由于数据备份机制,会受到负载影响,负载一高就会出现延迟的风险,导致应用崩溃。
  • 采用MEMORY_AND_DISK_SER降低对内存的要求,但是在一定程度上影响了计算的速度。
  • 单Receiver内存。由于Receiver是属于Executor的一部分,为了提高吞吐量,提高Receiver的内存。但是在每次batch计算中,参与计算的batch并不会使用这么多内存,导致资源严重浪费。
  • 提高并行度,采用多个Receiver来保存kafka的数据。Receiver读取数据是异步的,不会参与计算。如果提高了并行度来平衡吞吐量很不划算。
  • Receiver和计算的Executor是异步的,在遇到网络等因素时,会导致计算出现延迟,计算队列一直在增加,而Receiver一直在接收数据,这非常容易导致程序崩溃。
  • 在程序失败恢复时,有可能出现数据部分落地,但是程序失败,未更新offsets的情况,这会导致数据重复消费。

2、Direct直连方式(开发中使用的方式)

  • 使用KafkaUtils.createDirectStream创建链接。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。
  • 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

基于Direct方式的优势:

  • 简化并行读取:如果要读取多个partition,不需要创建多个输入DStream然后对他们进行union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。所以在kafka partition和RDD partition之间,有一一对应的关系。
  • 高性能:如果要保证数据零丢失,在基于Receiver的方式中,需要开启WAL机制。这种方式其实效率很低,因为数据实际被复制了两份,kafka自己本身就有高可靠的机制,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,不依赖于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
  • 强一致语义:基于Receiver的方式,使用kafka的高阶API来在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Zookeeper之间可能是不同步的。基于Direct的方式,使用kafka的简单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,因此可以保证数据时消费一次且仅消费一次。
  • 降低资源:Direct不需要Receiver,其申请的Executors全部参与到计算任务中;而Receiver则需要专门的Receivers来读取kafka数据且不参与计算。因此相同的资源申请,Direct能够支持更大的业务。Receiver与其他Executor是异步的,并持续不断接收数据,对于小业务量的场景还好,如果遇到大业务量时,需要提高Receiver的内存,但是参与计算的Executor并不需要那么多的内存,而Direct因为没有Receiver,而是在计算的时候读取数据,然后直接计算,所以对内存的要求很低。
  • 鲁棒性更好:基于Receiver方式需要Receiver来异步持续不断的读取数据,因此遇到网络、存储负载等因素,导致实时任务出现堆积,但Receiver却还在持续读取数据,此种情况容易导致计算崩溃。Direct则没有这种顾虑,其Driver在触发batch计算任务时,才会读取数据并计算,队列出现堆积并不不会引起程序的失败。

基于Direct方式的不足:

  • Direct方式需要采用checkpoint或者第三方存储来维护offset,而不是像Receiver那样,通过Zookeeper来维护offsets,提高了用户的开发成本。
  • 基于Receiver方式指定topic指定consumer的消费情况均能够通过Zookeeper来监控,而Direct则没有这么便利,如果想做监控并可视化,则需要投入人力开发。

五、演示Demo

1、reciver链接方式

package xxx

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

/**
 * Receiver链接方式
 */
object KafkaWordCount {


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

    val conf = new SparkConf().setAppName("KafkaWordCount").setMaster("local[*]")

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

    val zkQuorum = "slave2:2181,slave3:2181,slave4:2181"
    val groupId = "g1"
    val topic = Map[String, Int]("test1" -> 1)

    //创建DStream,需要KafkaDStream
    val data: ReceiverInputDStream[(String, String)] = KafkaUtils.createStream(ssc, zkQuorum, groupId, topic, StorageLevel.MEMORY_AND_DISK_SER)

    //对数据进行处理
    //Kafak的ReceiverInputDStream[(String, String)]里面装的是一个元组(key是写入的key,value是实际写入的内容)
    val lines: DStream[String] = data.map(_._2)
    //对DSteam进行操作,操作这个抽象(代理,描述),就像操作一个本地的集合一样,类似于RDD

    val words: DStream[String] = lines.flatMap(_.split(" "))
    val wordAndOne: DStream[(String, Int)] = words.map((_, 1))
    val reduced: DStream[(String, Int)] = wordAndOne.reduceByKey(_+_)

    //打印结果(Action)
    reduced.print()
    //启动sparksteaming程序
    ssc.start()
    //等待优雅的退出
    ssc.awaitTermination()

  }
}

2、直连方式(用zookeeper存储偏移量)

步骤:

准备zookeeper集群存储读取到额kafka数据的每个分区的偏移量

调用KafkaUtils.createDirectStream建立直连链接

读取zookeeper集群中的已经存储的每个数据分区地偏移量,根据该偏移量继续读取数据。或者从头(当前)位置读取数据

调用kafkaStream.transform遍历每个RDD,获取该RDD对应数据的偏移量

对RDD进行操作,并将zookeeper中保存的数据偏移量进行更新

package sparkStreamingAndKafka

import kafka.common.TopicAndPartition
import kafka.message.MessageAndMetadata
import kafka.serializer.StringDecoder
import kafka.utils.{ZKGroupTopicDirs, ZkUtils}
import org.I0Itec.zkclient.ZkClient
import org.apache.spark.SparkConf
import org.apache.spark.streaming.dstream.{DStream, InputDStream}
import org.apache.spark.streaming.kafka.{HasOffsetRanges, KafkaUtils, OffsetRange}
import org.apache.spark.streaming.{Duration, Seconds, StreamingContext}

/**
 * 直连方式,用zookeeper存偏移量
 */
object KafkaDirection1 {
  def main(args: Array[String]): Unit = {

    val conf: SparkConf = new SparkConf().setAppName("kafkaDirection").setMaster("local[*]")
    val ssc = new StreamingContext(conf, Seconds(3))


    val group = "group1"  // 分组
    val topic = "wordCount"    // topic
    val brokerList = "slave1:9092,slave2:9092,slave3:9092"  // broker集群,sparkStream的Task直接连到kafka分区上
    val zkQuorum = "slave2:2181,slave3:2181,slave4:2181"     //  zookeeper集群,用于记录偏移量(也可以选择MySQL、Redis等记录偏移量)
    val topics = Set(topic)   // 创建stream时使用的topic名字集合,sparkStreaming可同时消费多个topic

    val topicDirs = new ZKGroupTopicDirs(group, topic) // 创建一个ZKGroupTopicDirs对象,其实就是指定往zookeeper中写入数据的目录,该目录用于保存偏移量
    val zkTopicPath: String = topicDirs.consumerOffsetDir  // 获取zookeeper中的路径"/group1/offsets/wordCount/"


    // 准备kafka参数
    val kafkaParams = Map(
      "metadata.broker.list" -> brokerList,
      "group.id" -> group,
      "auto.offset.reset" -> kafka.api.OffsetRequest.SmallestTimeString  // 偏移量最开始的时候从哪读,SmallestTimeString表示从头开始读,
                                                                         // LargestTimeString表示从启动时刻产生的数据读
    )

    val zkClient = new ZkClient(zkQuorum) // zookeeper的客户端,可以从zk中读取偏移量数据,并更新偏移量

    val numOfzkChildren: Int = zkClient.countChildren(zkTopicPath) // 检查该路径下是否保存有数据(偏移量),
                                                                   // 例如:/group1/offsets/wordCount/2/1003 表示2号分区有偏移量1003

    var kafkaStream: InputDStream[(String, String)] = null

    // 如果zookeeper中保存有偏移量offfset,则利用这个偏移量作为kafkaStream的起始位置
    var fromOffsets: Map[TopicAndPartition, Long] = Map()

    if (numOfzkChildren > 0){  // 如果保存过offset
      for (i <- 0 until numOfzkChildren){
        var fromOffset: String = zkClient.readData[String](zkTopicPath + "/" + i) // 读取偏移量, 用“/group1/offsets/wordCount/2”,读取到的是"1003"
        val tp: TopicAndPartition = TopicAndPartition(topic, i) // 主题和分区对象

        //  wordCount/2 -> 1003
        fromOffsets += (tp -> fromOffset.toLong)  // 将topic不同分区所对应的偏移量放入集合中
      }

      //Key: kafka的key   values: "hello tom hello jerry"
      //这个会将 kafka 的消息进行 transform,最终 kafka 的数据都会变成 (kafka的key, message) 这样的 tuple
      val messageHandler = (mmd: MessageAndMetadata[String, String]) => (mmd.key(), mmd.message())  // 读数据的规则

      //通过KafkaUtils创建直连的DStream(fromOffsets参数的作用是:按照前面计算好了的偏移量继续消费数据)
      // 泛型参数说明:
      //[String, String, StringDecoder, StringDecoder,     (String, String)]
      //  key    value    key的解码方式   value的解码方式    处理完成后Dstream中的数据类型
      kafkaStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder, (String, String)](ssc, kafkaParams, fromOffsets, messageHandler)

    }else{  // 没有保存过offset,相当于从头读
      //如果未保存,根据 kafkaParam 的配置使用最新(largest)或者最旧的(smallest) offset
      //[String, String, StringDecoder, StringDecoder]
      //  key    value    key的解码方式   value的解码方式
      kafkaStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](ssc, kafkaParams, topics)

    }

    //偏移量的范围
    var offsetRanges = Array[OffsetRange]()

    //从kafka读取的消息,DStream的Transform方法可以将当前批次的RDD获取出来
    //该transform方法计算获取到当前批次RDD,然后将RDD的偏移量取出来,然后在将RDD返回到DStream
    val transform: DStream[(String, String)] = kafkaStream.transform { rdd =>
      //得到该 RDD对应 kafka 的消息的 offset
      //该RDD是一个KafkaRDD,可以获得它的偏移量的范围
      offsetRanges = rdd.asInstanceOf[HasOffsetRanges].offsetRanges  // 偏移量范围
      rdd   // 不对RDD进行操作,再放回DStream
    }

    // DStream 是RDD的工厂,每隔一段时间产生一个RDD
    val messages: DStream[String] = transform.map(_._2)

    //依次迭代DStream中的RDD
    messages.foreachRDD { rdd =>    // foreachRDD,每隔一段时间产生一个RDD
      rdd.foreachPartition(partition =>   // foreachPartition 每个分区一个连接链接
        partition.foreach(x => {    // foreach 分区中的每条数据
          println(x)
        })
      )

      // 更新偏移量offset
      for (o <- offsetRanges) {
        //  /group1/offsets/wordCount/2
        val zkPath = s"${topicDirs.consumerOffsetDir}/${o.partition}"
        //将该 partition 的 offset 更新再保存到 zookeeper
        //  /group1/offsets/wordCount/2/3330
        ZkUtils.updatePersistentPath(zkClient, zkPath, o.untilOffset.toString)
      }
    }

    ssc.start()
    ssc.awaitTermination()

  }

}

但是,在这个方案中,为了获取偏移量需要遍历RDD,后续又要遍历RDD操作RDD,代码冗余

3、直连方式(获取数据偏移量的同时处理数据)

package xxx

import kafka.common.TopicAndPartition
import kafka.message.MessageAndMetadata
import kafka.serializer.StringDecoder
import kafka.utils.{ZKGroupTopicDirs, ZkUtils}
import org.I0Itec.zkclient.ZkClient
import org.apache.spark.SparkConf
import org.apache.spark.rdd.RDD
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.streaming.dstream.InputDStream
import org.apache.spark.streaming.kafka.{HasOffsetRanges, KafkaUtils, OffsetRange}
/**
 * 直连方式,用zookeeper存偏移量(获取偏移量的同时,对数据进行操作)
 */
object kafkaDirection2 {

  def main(args: Array[String]): Unit = {
    val conf: SparkConf = new SparkConf().setAppName("kafkaDirection").setMaster("local[*]")
    val ssc = new StreamingContext(conf, Seconds(3))


    val group = "group3"  // 分组
    val topic = "wordCount"    // topic
    val brokerList = "slave1:9092,slave2:9092,slave3:9092"  // broker集群,sparkStream的Task直接连到kafka分区上
    val zkQuorum = "slave2:2181,slave3:2181,slave4:2181"     //  zookeeper集群,用于记录偏移量(也可以选择MySQL、Redis等记录偏移量)
    val topics = Set(topic)   // 创建stream时使用的topic名字集合,sparkStreaming可同时消费多个topic

    val topicDirs = new ZKGroupTopicDirs(group, topic) // 创建一个ZKGroupTopicDirs对象,其实就是指定往zookeeper中写入数据的目录,该目录用于保存偏移量
    val zkTopicPath: String = topicDirs.consumerOffsetDir  // 获取zookeeper中的路径"/group1/offsets/wordCount/"


    // 准备kafka参数
    val kafkaParams = Map(
      "metadata.broker.list" -> brokerList,
      "group.id" -> group,
      "auto.offset.reset" -> kafka.api.OffsetRequest.SmallestTimeString  // 偏移量最开始的时候从哪读,SmallestTimeString表示从头开始读,
      // LargestTimeString表示从启动时刻产生的数据读
    )

    val zkClient = new ZkClient(zkQuorum) // zookeeper的客户端,可以从zk中读取偏移量数据,并更新偏移量

    val numOfzkChildren: Int = zkClient.countChildren(zkTopicPath) // 检查该路径下是否保存有数据(偏移量),
    // 例如:/group1/offsets/wordCount/2/1003 表示2号分区有偏移量1003

    var kafkaStream: InputDStream[(String, String)] = null

    // 如果zookeeper中保存有偏移量offfset,则利用这个偏移量作为kafkaStream的起始位置
    var fromOffsets: Map[TopicAndPartition, Long] = Map()

    if (numOfzkChildren > 0){  // 如果保存过offset
      for (i <- 0 until numOfzkChildren){
        var fromOffset: String = zkClient.readData[String](zkTopicPath + "/" + i) // 读取偏移量, 用“/group1/offsets/wordCount/2”,读取到的是"1003"
        val tp: TopicAndPartition = TopicAndPartition(topic, i) // 主题和分区对象

        //  wordCount/2 -> 1003
        fromOffsets += (tp -> fromOffset.toLong)  // 将topic不同分区所对应的偏移量放入集合中
      }

      //Key: kafka的key   values: "hello tom hello jerry"
      //这个会将 kafka 的消息进行 transform,最终 kafka 的数据都会变成 (kafka的key, message) 这样的 tuple
      val messageHandler = (mmd: MessageAndMetadata[String, String]) => (mmd.key(), mmd.message())  // 读数据的规则

      //通过KafkaUtils创建直连的DStream(fromOffsets参数的作用是:按照前面计算好了的偏移量继续消费数据)
      // 泛型参数说明:
      //[String, String, StringDecoder, StringDecoder,     (String, String)]
      //  key    value    key的解码方式   value的解码方式    处理完成后Dstream中的数据类型
      kafkaStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder, (String, String)](ssc, kafkaParams, fromOffsets, messageHandler)

    }else{  // 没有保存过offset,相当于从头读
      //如果未保存,根据 kafkaParam 的配置使用最新(largest)或者最旧的(smallest) offset
      //[String, String, StringDecoder, StringDecoder]
      //  key    value    key的解码方式   value的解码方式
      kafkaStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](ssc, kafkaParams, topics)

    }

    //偏移量的范围
    var offsetRanges = Array[OffsetRange]()

    // 获取偏移量的同时处理数据
    
    // 直连方式只有在kakaDstream中的RDD才能获取偏移量,那么就不能调用DStream的Transformation
    // 所以只能在KafkaStream中调用foreachRDD,获取RDD的偏移量,然后就是对RDD进行操作了
    //依次迭代DStream中的RDD
    // 如果使用直连方式进行累加数据,就需要在外部的数据库中进行累加(用kay-value的内存数据库,NoSQL型数据库  Redis)
    kafkaStream.foreachRDD { kafkaRDD =>{
      // 只有kafkaRDD可以强转成HashOffSetRanges,并获取偏移量
      val offsetRanges: Array[OffsetRange] = kafkaRDD.asInstanceOf[HasOffsetRanges].offsetRanges

      val lines: RDD[String] = kafkaRDD.map(_._2)

      val words: RDD[String] = lines.flatMap(u => {
        u.split(" ")
      })

      val wordsAndOne: RDD[(String, Int)] = words.map(word => {
        (word, 1)
      })

      val reduced: RDD[(String, Int)] = wordsAndOne.reduceByKey((a, b) => {
        a + b
      })
      reduced.foreach(println)


      // 更新偏移量offset
      for (o <- offsetRanges) {
        //  /group1/offsets/wordCount/2
        val zkPath = s"${topicDirs.consumerOffsetDir}/${o.partition}"
        //将该 partition 的 offset 更新再保存到 zookeeper
        //  /group1/offsets/wordCount/2/3330
        ZkUtils.updatePersistentPath(zkClient, zkPath, o.untilOffset.toString)
      }

    }

    }

    ssc.start()
    ssc.awaitTermination()
  }
}

但是该方案,无法获取历史数据。这里统计到的wordcount只是某一时间片内对应数据的统计结果,并不包含历史数据。

4、直连方式,zookeeper存储偏移量数据,redis存储历史数据。

redis的连接池:

package xxx

import redis.clients.jedis.{Jedis, JedisPool, JedisPoolConfig}

object JedisConnectePool {
  val config = new JedisPoolConfig()
  //最大连接数,
  config.setMaxTotal(20)
  //最大空闲连接数,
  config.setMaxIdle(10)
  //当调用borrow Object方法时,是否进行有效性检查 -->
  config.setTestOnBorrow(true)
  //10000代表超时时间(10秒)
  val pool = new JedisPool(config, "192.168.247.8", 6379, 10000, "123")

  def getConnection():Jedis={
    pool.getResource
  }
}
package xxx

import jedis.JedisConnectionPool
import kafka.common.TopicAndPartition
import kafka.message.MessageAndMetadata
import kafka.serializer.StringDecoder
import kafka.utils.{ZKGroupTopicDirs, ZkUtils}
import org.I0Itec.zkclient.ZkClient
import org.apache.spark.SparkConf
import org.apache.spark.rdd.RDD
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.streaming.dstream.{DStream, InputDStream}
import org.apache.spark.streaming.kafka.{HasOffsetRanges, KafkaUtils, OffsetRange}
import redis.clients.jedis.Jedis

/**
 * 直连方式,在获取RDD偏移量的同时操作偏移量,并且能够wordcount统计时包含历史统计数据
 */
object kafkaDirection3 {

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

    val conf: SparkConf = new SparkConf().setAppName("kafkaDirection").setMaster("local[*]")
    val ssc = new StreamingContext(conf, Seconds(3))

    val group = "group2"  // 分组
    val topic = "wordCount"    // topic
    val brokerList = "slave1:9092,slave2:9092,slave3:9092"  // broker集群,sparkStream的Task直接连到kafka分区上
    val zkQuorum = "slave2:2181,slave3:2181,slave4:2181"     //  zookeeper集群,用于记录偏移量(也可以选择MySQL、Redis等记录偏移量)
    val topics = Set(topic)   // 创建stream时使用的topic名字集合,sparkStreaming可同时消费多个topic

    val topicDirs = new ZKGroupTopicDirs(group, topic) // 创建一个ZKGroupTopicDirs对象,其实就是指定往zookeeper中写入数据的目录,该目录用于保存偏移量
    val zkTopicPath: String = topicDirs.consumerOffsetDir  // 获取zookeeper中的路径"/group1/offsets/wordCount/"


    // 准备kafka参数
    val kafkaParams = Map(
      "metadata.broker.list" -> brokerList,
      "group.id" -> group,
      "auto.offset.reset" -> kafka.api.OffsetRequest.SmallestTimeString  // 偏移量最开始的时候从哪读,SmallestTimeString表示从头开始读,
      // LargestTimeString表示从启动时刻产生的数据读
    )

    val zkClient = new ZkClient(zkQuorum) // zookeeper的客户端,可以从zk中读取偏移量数据,并更新偏移量

    val numOfzkChildren: Int = zkClient.countChildren(zkTopicPath) // 检查该路径下是否保存有数据(偏移量),
    // 例如:/group1/offsets/wordCount/2/1003 表示2号分区有偏移量1003

    var kafkaStream: InputDStream[(String, String)] = null

    // 如果zookeeper中保存有偏移量offfset,则利用这个偏移量作为kafkaStream的起始位置
    var fromOffsets: Map[TopicAndPartition, Long] = Map()

    if (numOfzkChildren > 0){  // 如果保存过offset
      for (i <- 0 until numOfzkChildren){
        var fromOffset: String = zkClient.readData[String](zkTopicPath + "/" + i) // 读取偏移量, 用“/group1/offsets/wordCount/2”,读取到的是"1003"
        val tp: TopicAndPartition = TopicAndPartition(topic, i) // 主题和分区对象

        //  wordCount/2 -> 1003
        fromOffsets += (tp -> fromOffset.toLong)  // 将topic不同分区所对应的偏移量放入集合中
      }

      //Key: kafka的key   values: "hello tom hello jerry"
      //这个会将 kafka 的消息进行 transform,最终 kafka 的数据都会变成 (kafka的key, message) 这样的 tuple
      val messageHandler = (mmd: MessageAndMetadata[String, String]) => (mmd.key(), mmd.message())  // 读数据的规则

      //通过KafkaUtils创建直连的DStream(fromOffsets参数的作用是:按照前面计算好了的偏移量继续消费数据)
      // 泛型参数说明:
      //[String, String, StringDecoder, StringDecoder,     (String, String)]
      //  key    value    key的解码方式   value的解码方式    处理完成后Dstream中的数据类型
      kafkaStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder, (String, String)](ssc, kafkaParams, fromOffsets, messageHandler)

    }else{  // 没有保存过offset,相当于从头读
      //如果未保存,根据 kafkaParam 的配置使用最新(largest)或者最旧的(smallest) offset
      //[String, String, StringDecoder, StringDecoder]
      //  key    value    key的解码方式   value的解码方式
      kafkaStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](ssc, kafkaParams, topics)

    }

    //偏移量的范围
    var offsetRanges = Array[OffsetRange]()

    // 直连方式只有在kakaDstream中的RDD才能获取偏移量,那么就不能调用DStream的Transformation
    // 所以只能在KafkaStream中调用foreachRDD,获取RDD的偏移量,然后就是对RDD进行操作了
    //依次迭代DStream中的RDD
    // 如果使用直连方式进行累加数据,就需要在外部的数据库中进行累加(用kay-value的内存数据库,NoSQL型数据库  Redis)
    kafkaStream.foreachRDD { kafkaRDD =>{
      // 只有kafkaRDD可以强转成HashOffSetRanges,并获取偏移量
      val offsetRanges: Array[OffsetRange] = kafkaRDD.asInstanceOf[HasOffsetRanges].offsetRanges

      val lines: RDD[String] = kafkaRDD.map(_._2)

      val words: RDD[String] = lines.flatMap(u => {
        u.split(" ")
      })

      val wordsAndOne: RDD[(String, Int)] = words.map(word => {
        (word, 1)
      })

      val reduced: RDD[(String, Int)] = wordsAndOne.reduceByKey((a, b) => {
        a + b
      })

      val stated: RDD[(String, Int)] = reduced.map(u => {
       // 获取redis存放的历史统计数据
        val conn: Jedis = JedisConnectionPool.getConnection()

        val str: String = conn.get(u._1)
        var num = 0
        if(str != null){
          num = str.toInt
        }

        val value: Int = u._2
        val value1: Int = num+value
        // 更新redis中的统计数据
        conn.set(u._1, value1.toString)
        conn.close()
        (u._1, value1)
      })

      stated.foreach(println)

      // 更新偏移量offset
      for (o <- offsetRanges) {
        //  /group1/offsets/wordCount/2
        val zkPath = s"${topicDirs.consumerOffsetDir}/${o.partition}"
        //将该 partition 的 offset 更新再保存到 zookeeper
        //  /group1/offsets/wordCount/2/3330
        ZkUtils.updatePersistentPath(zkClient, zkPath, o.untilOffset.toString)
      }

    }

    }

    ssc.start()
    ssc.awaitTermination()
  }
}

你可能感兴趣的:(Redis,spark,kafka,kafka,redis,spark)