spark系列三：sparkstreaming之输入DStream之Kafka数据源实战（基于Direct的方式）

基于Receiver的直接方式，是在Spark 1.3中引入的，从而能够确保更加健壮的机制。替代掉使用Receiver来接收数据后，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启动时，就会使用Kafka的简单consumer api来获取Kafka指定offset范围的数据。

这种方式有如下优点：
1、简化并行读取：如果要读取多个partition，不需要创建多个输入DStream然后对它们进行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的方式中，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Receiver，不需要开启WAL机制，只要Kafka中作了数据的复制，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来在ZooKeeper中保存消费过的offset的。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，因此可以保证数据是消费一次且仅消费一次。

 JavaPairReceiverInputDStream directKafkaStream =
     KafkaUtils.createDirectStream(streamingContext,
         [key class], [value class], [key decoder class], [value decoder class],
         [map of Kafka parameters], [set of topics to consume]);

代码：

package cn.spark.study.core;

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

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.JavaPairInputDStream;
import org.apache.spark.streaming.api.java.JavaPairReceiverInputDStream;
import org.apache.spark.streaming.api.java.JavaStreamingContext;
import org.apache.spark.streaming.kafka.KafkaUtils;

import kafka.serializer.StringDecoder;
import scala.Tuple2;

public class kafkadirectwordcount {
 public static void main(String[] args) {
  SparkConf conf = new SparkConf()
    .setAppName("kafkadirectwordcount")
    .setMaster("local[2]");
  Map map = new HashMap();
  map.put("metadata.broker.list", "192.168.220.51:9092,192.168.220.52:9092,192.168.220.53:9092");
  Set set = new HashSet();
  set.add("wordcount");
  
  JavaStreamingContext jsc = new JavaStreamingContext(conf,Durations.seconds(1));
  JavaPairInputDStream   jprd = KafkaUtils.createDirectStream(jsc, String.class, String.class, StringDecoder.class, StringDecoder.class, map, set);
       
  JavaDStream words = jprd.flatMap(new FlatMapFunction,String>(){

   
   private static final long serialVersionUID = 1L;

   @Override
   public Iterable call(Tuple2 tuple) throws Exception {
    // TODO Auto-generated method stub
    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 {
    // TODO Auto-generated method stub
    return new Tuple2(word,1);
   }
   
  });
  JavaPairDStream res = pairs.reduceByKey(new Function2(){

   
   private static final long serialVersionUID = 1L;

   @Override
   public Integer call(Integer v1, Integer v2) throws Exception {
    // TODO Auto-generated method stub
    return v1 + v2;
   }
   
  });
  res.print();
  jsc.start();
  jsc.awaitTermination();
                    
  
 }

}

来自 “ ITPUB博客 ” ，链接：http://blog.itpub.net/30541278/viewspace-2155526/，如需转载，请注明出处，否则将追究法律责任。

转载于:http://blog.itpub.net/30541278/viewspace-2155526/