Spark从入门到精通40:Spark Streaming：输入DStream之Kafka数据源实战（基于Receiver的方式）

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。

2. 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]);

3.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。

4.Kafka命令

bin/kafka-topics.sh --zookeeper 192.168.1.107:2181,192.168.1.108:2181,192.168.1.109:2181 --topic TestTopic --replication-factor 1 --partitions 1 --create

bin/kafka-console-producer.sh --broker-list 192.168.1.107:9092,192.168.1.108:9092,192.168.1.109:9092 --topic TestTopic

192.168.1.191:2181,192.168.1.192:2181,192.168.1.193:2181

基于kafka的数据源的Wordcount：

package streaming;

import org.apache.spark.SparkConf;
import org.apache.spark.streaming.Duration;
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;

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

/**
 * 基于Kafka receiver方式的实时wordcount程序
 */
public class KafkaReceiverWordCount {
    public static void main(String[] args) {
        SparkConf conf = new SparkConf()
                .setMaster("local")
                .setAppName("KafkaReceiverWordCount");
        JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(5));
        HashMap topicThreadMap = new HashMap<>();
        topicThreadMap.put("WordCount",1);
        // 使用KafkaUtils.createStream()方法，创建针对Kafka的输入数据流
        JavaPairReceiverInputDStream lines = KafkaUtils.createStream(jssc, "192.168.1.107:2181,192.168.1.108:2181,192.168.1.109:2181", "DefaultConsumerGroup", topicThreadMap);
        // 然后开发wordcount逻辑
        JavaDStream words = lines.flatMap(x -> Arrays.asList(x._2.split(",")));
        JavaPairDStream pairs = words.mapToPair(x -> new Tuple2(x, 1));
        JavaPairDStream wordCounts = pairs.reduceByKey((v1, v2) -> (v1 + v2));
        wordCounts.print();
        jssc.start();
        jssc.awaitTermination();
        jssc.close();
    }
}

在kafka中创建consumer：

然后运行代码，程序每个5秒钟会去topic拉取一次数据，拉取到的数据其实会放到executor的内存里，然后执行算子，到后面print()触发一个action，生成一个job，这个job就会针对这一个时间段的RDD作为输入源。