87、Spark Streaming之输入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

bin/kafka-topics.sh --zookeeper hadoop-100:2181,hadoop-101:2181,hadoop-102:2181 --topic WordCount --replication-factor 1 --partitions 1 --create

bin/kafka-console-producer.sh --broker-list hadoop-100:9092,hadoop-101:9092,hadoop-102:9092 --topic WordCount

案例

Java版本

public class KafkaReceiverWordCount {
    public static void main(String[] args) {
        SparkConf conf = new SparkConf().setAppName("KafkaReceiverWordCountJava").setMaster("local[2]");
        JavaStreamingContext javaStreamingContext = new JavaStreamingContext(conf, Durations.seconds(10));


        // 使用KafkaUtils.createStream()方法，创建针对Kafka的输入数据流
        Map topicThreadMap = new HashMap();
        // 使用多少个线程去拉取topic的数据
        topicThreadMap.put("WordCount", 1);
        JavaPairReceiverInputDStream lines = KafkaUtils.createStream(javaStreamingContext,
                "hadoop-100:2181,hadoop-101:2181,hadoop-102:2181",
                "DefaultConsumerGroup",
                topicThreadMap);


        JavaDStream words = lines.flatMap(new FlatMapFunction, String>() {
            @Override
            public Iterable call(Tuple2 stringStringTuple2) throws Exception {
                return Arrays.asList(stringStringTuple2._2.split(" "));
            }
        });

        JavaPairDStream wordsNum = words.mapToPair(new PairFunction() {
            @Override
            public Tuple2 call(String s) throws Exception {
                return new Tuple2<>(s, 1);
            }
        });

        JavaPairDStream result = wordsNum.reduceByKey(new Function2() {
            @Override
            public Integer call(Integer v1, Integer v2) throws Exception {
                return v1 + v2;
            }
        });
        result.print();
        javaStreamingContext.start();
        javaStreamingContext.awaitTermination();
        javaStreamingContext.close();
    }
}

Scala版本

object KafkaReceiverWordCount {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("KafkaReceiverWordCountScala").setMaster("local[2]")
    val streamingContext = new StreamingContext(conf, Seconds(10))

    val topicThreadMap: util.Map[String, Integer] = new util.HashMap[String, Integer]
    // 使用多少个线程去拉取topic的数据
    topicThreadMap.put("WordCount", 1)

    val zkQuorum = "hadoop-100:2181,hadoop-101:2181,hadoop-102:2181"
    val group = "DefaultConsumerGroup"
    val topics = "WordCount"
    val numThreads = 1

    val topicpMap = topics.split(",").map((_,numThreads.toInt)).toMap //(topics,2)

    val lines = KafkaUtils.createStream(streamingContext, zkQuorum, group, topicpMap).map(_._2)

    val words = lines.flatMap(line => line.split(" "))

    val wordsNumber = words.map(word => (word, 1))
    val result = wordsNumber.reduceByKey(_ + _)

    result.print()
    streamingContext.start()
    streamingContext.awaitTermination()
  }
}