8.输入DStream之Kafka数据源实战（基于Receiver的方式）

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。如果要启用高可靠机制，让数据零丢失，就必须启用Spark Streaming的预写日志机制（Write Ahead Log，WAL）。该机制会同步地将接收到的Kafka数据写入分布式文件系统（比如HDFS）上的预写日志中。所以，即使底层节点出现了失败，也可以使用预写日志中的数据进行恢复。

如何进行Kafka数据源连接

1、在maven添加依赖

groupId = org.apache.spark
artifactId = spark-streaming-kafka_2.10
version = 1.5.1

2、使用第三方工具类创建输入DStream

 JavaPairReceiverInputDStream kafkaStream =
     KafkaUtils.createStream(streamingContext,
     [ZK quorum], [consumer group id], [per-topic number of Kafka partitions to consume]);

需要注意的要点 

1. 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，只会增加一个Receiver中，读取partition的线程的数量。不会增加Spark处理数据的并行度。
2. 可以创建多个Kafka输入DStream，使用不同的consumer group和topic，来通过多个receiver并行接收数据。
3. 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日志中。因此，在KafkaUtils.createStream()中，设置的持久化级别是StorageLevel.MEMORY_AND_DISK_SER。

Kafka命令(进入到cd  /usr/local/kafka)

// 创建topic

bin/kafka-topics.sh --zookeeper 172.20.10.117:2181,172.20.10.118:2181,172.20.10.119:2181 --topic MyTestWordCount --replication-factor 1 --partitions 1 --create

// 创建consumer

bin/kafka-console-producer.sh --broker-list 172.20.10.117:9092, 172.20.10.118:9092, 172.20.10.119:9092 --topic MyTestWordCount

java版本代码：

package cn.spark.study.streaming;

import java.util.Arrays;
import java.util.HashMap;
import java.util.Map;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.function.FlatMapFunction;
import org.apache.spark.api.java.function.Function2;
import org.apache.spark.api.java.function.PairFunction;
import org.apache.spark.streaming.Durations;
import org.apache.spark.streaming.api.java.JavaDStream;
import org.apache.spark.streaming.api.java.JavaPairDStream;
import org.apache.spark.streaming.api.java.JavaPairReceiverInputDStream;
import org.apache.spark.streaming.api.java.JavaStreamingContext;
import org.apache.spark.streaming.kafka.KafkaUtils;

import scala.Tuple2;

/**
 * 基于Kafka receiver方式的实时wordcount程序
 * @author Administrator
 *
 */
public class KafkaReceiverWordCount {

	public static void main(String[] args) {
		SparkConf conf = new SparkConf()
				.setMaster("local[2]")
				.setAppName("KafkaWordCount");  
		JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(5));
		
		// 使用KafkaUtils.createStream()方法，创建针对Kafka的输入数据流
		Map topicThreadMap = new HashMap();
		topicThreadMap.put("MyTestWordCount", 1);
		
		JavaPairReceiverInputDStream lines = KafkaUtils.createStream(
				jssc, 
				"172.20.10.117:2181,172.20.10.118:2181,172.20.10.119:2181", 
				"DefaultConsumerGroup", 
				topicThreadMap);
		
		// 然后开发wordcount逻辑
		JavaDStream words = lines.flatMap(
				
				new FlatMapFunction, String>() {

					private static final long serialVersionUID = 1L;

					@Override
					public Iterable call(Tuple2 tuple)
							throws Exception {
						return Arrays.asList(tuple._2.split(" "));  
					}
					
				});
		
		JavaPairDStream pairs = words.mapToPair(
				
				new PairFunction() {

					private static final long serialVersionUID = 1L;

					@Override
					public Tuple2 call(String word)
							throws Exception {
						return new Tuple2(word, 1);
					}
					
				});
		
		JavaPairDStream wordCounts = pairs.reduceByKey(
				
				new Function2() {
			
					private static final long serialVersionUID = 1L;

					@Override
					public Integer call(Integer v1, Integer v2) throws Exception {
						return v1 + v2;
					}
					
				});
		
		wordCounts.print();  
		
		jssc.start();
		jssc.awaitTermination();
		jssc.close();
	}
}

运行步骤及运行结果(java本地运行)：

 

 

---

文章最后，给大家推荐一些受欢迎的技术博客链接：

1. Hadoop相关技术博客链接
2. Spark 核心技术链接
3. JAVA相关的深度技术博客链接
4. 超全干货--Flink思维导图，花了3周左右编写、校对
5. 深入JAVA 的JVM核心原理解决线上各种故障【附案例】
6. 请谈谈你对volatile的理解？--最近小李子与面试官的一场“硬核较量”
7. 聊聊RPC通信，经常被问到的一道面试题。源码+笔记，包懂

 

---

欢迎扫描下方的二维码或 搜索 公众号“10点进修”，我们会有更多、且及时的资料推送给您，欢迎多多交流！