SparkStreaming -- 02 【SparkStreaming和kafka的整合的offset的维护，常用算子】

1、SparkStreaming与kafka的整合

1.1、 比较

kafka是做消息的缓存，数据和业务隔离操作的消息队列，而sparkstreaming是一款准实时流式计算框架，所以二者的整合，是大势所趋。

二者的整合，在整合的API上有主要的两大版本，分别是0-8和0-10,两者的区别如下：

1.2、 maven依赖

<dependency>
    <groupId>org.apache.sparkgroupId>
    <artifactId>spark-streaming-kafka-0-10_2.11artifactId>
    <version>2.2.3version>
dependency>

1.3、 案例1

import org.apache.kafka.clients.consumer.ConsumerRecord
import org.apache.spark.SparkConf
import org.apache.spark.streaming.dstream.InputDStream
import org.apache.spark.streaming.kafka010.{ConsumerStrategies, KafkaUtils, LocationStrategies}
import org.apache.spark.streaming.{Seconds, StreamingContext}

/**
 *  SparkStreaming与Kafka的整合，用于消费Kafka里的信息
 *  使用的整合包是0-10.  使用里面的Direct直连方式。    而0-8里除了direct还有一个reciver方法
 */
object _05SparkStreamingKafkaDemo {
    def main(args: Array[String]): Unit = {
        val conf: SparkConf = new SparkConf().setAppName("test1").setMaster("local[2]")
          .set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")

        //获取上下文对象
        val ssc = new StreamingContext(conf, Seconds(10))
        //设置消费者的属性信息
        val params: Map[String, String] = Map[String, String](
            "bootstrap.servers" -> "datanode01:9092,datanode01:9092,datanode01:9092",
            "group.id" -> "test1",
            "auto.offset.reset" -> "latest",
            "key.deserializer" -> "org.apache.kafka.common.serialization.IntegerDeserializer",
            "value.deserializer" -> "org.apache.kafka.common.serialization.StringDeserializer"
        )

        //使用整合包里的工具类,调用直连方法,读取Kafka中的消息
        val dStream: InputDStream[ConsumerRecord[String, String]] = KafkaUtils.createDirectStream(ssc,
            LocationStrategies.PreferConsistent, //指定消费策略:PreferConsistent, SparkStreaming会为kafka主题中的每一个分区，对应RDD中的一个分区，分配一个计算，
            ConsumerStrategies.Subscribe[String,String](Array("pet").toSet, params)
        )
        //打印数据
        dStream.map(_.value()).print()

        //启动
        ssc.start()
        ssc.awaitTermination()
    }
}

1.4、 使用0-10的Direct方法的优点

1. 简化的并行性：
   不需要开发人员创建多个输入Kafka流，并将其合并。
   会主动创建数量和Kafka主题分区的数量一致的RDD分区，也就是分区数量一一对应，SparkSteaming会并行读取
   Kafka分区中的数据
2. 效率上(为了保证数据的零丢失)：
   0-8的receiver方法涉及到保存到zookeeper以及两次复制，一次是kafka上，一次还进行了WAL（效率低）
   0-10的direct方法没有WAL，只是将数据保存了Kafka中。
3. 正好一次的语义(Exactly-once)
   0-8的receiver为了做到这个语义，是将消费者的消费的offset存储在ZK的/consumers/[groupId]/offsets/[topic]/[partition]路径下。但是开发人员想要重复读取，是不能手动指定offset的。
   0-10的direct方法为了做到这个语义，将数据保存到了Kafka中的一个主题上。
   并且还能手动维护offset，比如保存到hbase、hdfs、redis、zookeeper.

建议：如果手动维护offset，使用redis、zookeeper效率会高一些。

1.5 、 两种自动维护offset的说明

1.5.1、 0-8的receiver如何自动维护offset的图解

1.5.2 、 0-10如何自动维护offset的图解

为了应对可能出现的引起Streaming程序崩溃的异常情况，我们一般都需要手动管理好Kafka的offset，而不是让它自动提交，即需要将enable.auto.commit设为false。只有管理好offset，才能使整个流式系统最大限度地接近exactly once语义。

1.6、 使用zookeeper手动维护offset

import java.util
import java.util.Properties

import org.apache.curator.framework.CuratorFrameworkFactory
import org.apache.curator.retry.ExponentialBackoffRetry
import org.apache.kafka.clients.consumer.ConsumerRecord
import org.apache.kafka.common.TopicPartition
import org.apache.log4j.{Level, Logger}
import org.apache.spark.SparkConf
import org.apache.spark.streaming.dstream.InputDStream
import org.apache.spark.streaming.kafka010.{ConsumerStrategies, HasOffsetRanges, KafkaUtils, LocationStrategies, OffsetRange}
import org.apache.spark.streaming.{Seconds, StreamingContext}

/**
 * 使用zookeeper来手动维护SparkStreaming消费kafka消息的offset
 * 1. 从zookeeper中获取偏移量      7
 * 2. 处理数据  ：从8读到12
 * 3. 将最新的offset维护到zookeeper
 *
 */

 _02ZookeeperOffsetDemo {
    def main(args: Array[String]): Unit = {
        //过滤掉不需要的日志信息,留下警告级别以上的：
        Logger.getLogger("org").setLevel(Level.WARN)

        //获取配置对象
        val conf: SparkConf = new SparkConf().setAppName("zookeeper").setMaster("local[2]")
        //获取SparkStreaming的上下文对象
        val ssc = new StreamingContext(conf, Seconds(5))
        //定义一个主题集合
        val topics: Array[String] = Array("pet")
        //解析kafka的配置文件
        val prop = new Properties()
        prop.load(_02ZookeeperOffsetDemo.getClass.getClassLoader.getResourceAsStream("consumer.properties"))
        val params: Map[String, String] = Map[String, String](
            "bootstrap.servers" -> prop.getProperty("bootstrap.servers"),
            "group.id" -> prop.getProperty("group.id"),
            "key.deserializer" -> prop.getProperty("key.deserializer"),
            "value.deserializer" -> prop.getProperty("value.deserializer"),
            "enable.auto.commit" -> prop.getProperty("enable.auto.commit") //让SparkStreaming自动维护offset
        )

        //需要连接zookeeper集群，获取消费者消费的offsets
        val zkUtils = new ZookeeperUtils(prop.getProperty("zookeeper.servers"))
        val offsets:Map[TopicPartition,Long] = zkUtils.getOffsets(prop.getProperty("group.id"),topics)

        var dStream: InputDStream[ConsumerRecord[String, String]] = null
        //如果获取的offsetsd的长度大于0，说明不是第一次消费
        if(offsets.size>0){
            //调用工具类读取kafka中的数据
            dStream =KafkaUtils.createDirectStream(ssc,
                LocationStrategies.PreferConsistent, //让kafka的分区与rdd的分区一对一
                ConsumerStrategies.Subscribe[String,String](topics, params,offsets)
            )
            println("这个主题不是第一次消费")
        }else{
            dStream = KafkaUtils.createDirectStream(ssc,
                LocationStrategies.PreferConsistent, //让kafka的分区与rdd的分区一对一
                ConsumerStrategies.Subscribe[String,String](topics, params))
            println("这个主题是第一次消费")
        }
        //foreacheRDD算子就是遍历DStream里RDD序列中的每一个RDD
        dStream.foreachRDD(rdd=>{
           rdd.foreach(x=>{
               x.offset()
               x.partition()
               println(x.partition()+"\t"+x.offset()+"\t"+x.value())
           })
            //获取消费信息的最后一个偏移量
            val ranges: Array[OffsetRange] = rdd.asInstanceOf[HasOffsetRanges].offsetRanges
            //更新到zookeeper
            zkUtils.updateOffset(prop.getProperty("group.id"),ranges)

        })

        ssc.start()
        ssc.awaitTermination()

    }

}

/**
 * 自定义一个zookeeper的工具类，用来连接zookeer和获取zookeeper里的offset，以及更新offset的方法
 * 设计一下路径：
 *    /kafka-2020/offsets/groupName/topicName/partitonNumber/
 * @param zkServersInfo
 */
class ZookeeperUtils(zkServersInfo: String){


    //连接zookeeer
   val zkClient = {
       val zkClient = CuratorFrameworkFactory.builder().connectString(zkServersInfo).retryPolicy(
           new ExponentialBackoffRetry(1000,3)).build()
       zkClient.start()  //启动客户端，保持与zookeeper的连接
       zkClient
   }
    //定义一个基础路径
    val base_zookeeper_path = "/kafka-2020/offsets"

    //检查zookeeper上的路径是否存在，如果不存在就创建
    def checkPathExsist(path: String) = {
        if(zkClient.checkExists().forPath(path)==null){
            zkClient.create().creatingParentsIfNeeded().forPath(path)
        }
    }

    //定义一个方法，来获取zookeeper上的偏移量
    def getOffsets(groupName: String, topics: Array[String]): Map[TopicPartition, Long] = {
        //先定义一个空的Map集合，用于存储获取到的offset
        var offsets:Map[TopicPartition, Long] = Map()
        //遍历主题的集合
        for(topic<-topics){
            //检查路径是否存在
            val path = s"${base_zookeeper_path}/${groupName}/${topic}"
            checkPathExsist(path)
            //获取当前路径下的子节点， 子节点是当前主题下的所有分区的znode
            val partitions: util.List[String] = zkClient.getChildren.forPath(path)
            //从每一个分区中获取offset
            import scala.collection.JavaConversions._
            for(partition<-partitions){
                //从znode中获取存储的数据，也就是offset
                val bytes: Array[Byte] = zkClient.getData.forPath(partition)
                //将字节数组转成Long类型的offset
                val offset: Long = new String(bytes).toLong
                //将对应的分区和offset添加到map中
                offsets += (new TopicPartition(topic,partition.toInt)->offset)
            }

        }
        offsets
    }

    /**
     * 更新offset
     * @param groupName
     * @param ranges
     */

    def updateOffset(groupName: String, ranges: Array[OffsetRange]): Unit = {
        for(o<-ranges){
            val path = s"${base_zookeeper_path}/${groupName}/${o.topic}/${o.partition}"
            checkPathExsist(path)
            zkClient.setData().forPath(path,o.untilOffset.toString.getBytes)
        }
    }
}

1.7、 使用redis手动维护offset

package com.xxx.SparkStreaming.Day02

import org.apache.commons.pool2.impl.GenericObjectPoolConfig
import org.apache.kafka.clients.consumer.ConsumerRecord
import org.apache.kafka.common.TopicPartition
import org.apache.log4j.{Level, Logger}
import org.apache.spark.SparkConf
import org.apache.spark.streaming.dstream.InputDStream
import org.apache.spark.streaming.kafka010.{ConsumerStrategies, HasOffsetRanges, KafkaUtils, LocationStrategies, OffsetRange}
import org.apache.spark.streaming.{Seconds, StreamingContext}
import redis.clients.jedis.{HostAndPort, Jedis, JedisCluster, JedisPool, JedisPoolConfig}

import java.util


/**
 * 使用redis kv非关系型数据库俩维护kafka的主题分区的offset
 *
 * 1、使用redis中获取要读取的消息的开始offset
 * 2、通过offset获取数据，进行处理
 * 3、将读取到的最新的消息的offset更新到redis中
 *
 * redis存储offset数据的设计思路，使用hash数据类型
 *
 * key                  fields                       value
 *
 * groupName            topic#partitonNumber          offset
 *
 * test1                pet#0                         22
 *
 */
object _01RedisOffsetDemo {
    def main(args: Array[String]): Unit = {
        //过滤掉不需要的日志信息，留下警告级别以上的
        Logger.getLogger("org").setLevel(Level.WARN)

        val conf: SparkConf = new SparkConf().setMaster("local[2]").setAppName("redisOffset")

        val context = new StreamingContext(conf, Seconds(10))

        //创建一个主题集合
        val topics: Array[String] = Array("pet")

        //将消费者组单独提出来，后面方便使用
        val groupid: String = "test2"

        //创建一个kafka的配置map集合
        val params: Map[String, String] = Map[String, String](
            "bootstrap.servers" -> "qianfeng01:9092,qianfeng02:9092,qianfeng03:9092",
            "group.id" -> "test2",
//            "auto.offset.reset" -> "earliest",  //因为要从维护的offset处开始读取，因此没有必要设置这个属性
            "key.deserializer" -> "org.apache.kafka.common.serialization.IntegerDeserializer",
            "value.deserializer" -> "org.apache.kafka.common.serialization.StringDeserializer",
            "enable.auto.commit" -> "false"
        )

        //先要获取jedis对象，连接redis，获取偏移量
        val jedis: Jedis = GetRedis.getRedis


        //从redis中查询之前的数据
        val offsets: Map[TopicPartition, Long] = Offset(jedis, groupid)

        //如果offsets为空的话，则说明SparkStreaming是第一次消费kafka上的数据，不用获取offset
        //如果不为空的话，就从redis中获取offset，然后从kafka上根据offset拉取所对应的数据
        //将if表达式的结果接收，得到从kafka读到的数据的DStream

        val DStream:InputDStream[ConsumerRecord[String,String]] = if (offsets.isEmpty) {
            KafkaUtils.createDirectStream(context,
                LocationStrategies.PreferConsistent,
                ConsumerStrategies.Subscribe(topics, params))
        }else{
            KafkaUtils.createDirectStream(context,
                LocationStrategies.PreferConsistent,
                ConsumerStrategies.Subscribe(topics, params,offsets))
        }

        //处理kafka上的消息
        DStream.foreachRDD(rdd=>{
            rdd.foreach(println)

            //获取最新的offset，发送给redis
            val ranges: Array[OffsetRange] = rdd.asInstanceOf[HasOffsetRanges].offsetRanges

            for (off <- ranges){
                jedis.hset(groupid,off.topic+"#"+off.partition,off.untilOffset.toString)
            }
        })

        context.start()
        context.awaitTermination()
    }
}
object GetRedis{

    //配置连接池的配置
    private val config = new GenericObjectPoolConfig
    config.setMaxTotal(10)
    config.setMaxIdle(5)

    //连接redis集群
    val pool = new JedisPool(config,"qianfeng01",6379,10000,"123123")
    private val jedis: Jedis = pool.getResource
    def getRedis = jedis
}

object Offset{
    def apply(jedis:Jedis,groupid:String):Map[TopicPartition,Long] = {
        //实例化一个新的map，用来存储从redis上获取的offset等数据
        var offsets: Map[TopicPartition, Long] = Map[TopicPartition, Long]()

        //从redis中查询数据
        val offsetMetadata: util.Map[String, String] = jedis.hgetAll(groupid)

        //遍历集合，拿到想要的数据
        import scala.collection.JavaConversions._
        for (offsetData <- offsetMetadata){
            //根据分隔符#进行切分
            val topicAndPartition: Array[String] = offsetData._1.split("#")

            val topic: String = topicAndPartition(0)
            val partiton: Int = topicAndPartition(1).toInt

            //将数据封装到offset集合中
            offsets += (new TopicPartition(topic,partiton)->offsetData._2.toLong)
        }
        offsets
    }
}

2、SparkStreaming的常用转换算子

2.1 、常用算子简介

2.1.1、 常用的转换算子（transformation）

参考官网：http://spark.apache.org/docs/2.2.3/streaming-programming-guide.html#transformations-on-dstreams

2.1.2、 常用的输出算子

参考官网：http://spark.apache.org/docs/2.2.3/streaming-programming-guide.html#output-operations-on-dstreams

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-QnK8Hklh-1607337253857)(ClassNotes.assets/image-20201207172749402.png)]

2.2、 算子的案例演示：

1）常用算子

package com.qf.sparkstreaming.day02

import org.apache.log4j.{Level, Logger}
import org.apache.spark.SparkConf
import org.apache.spark.streaming.dstream.{DStream, ReceiverInputDStream}
import org.apache.spark.streaming.{Seconds, StreamingContext}

/**
 * SparkStreaming的常用转换算子练习      使用nc
 */
object _04TransformationDemo {
    def main(args: Array[String]): Unit = {
        Logger.getLogger("org").setLevel(Level.WARN)

        //获取配置对象
        val conf: SparkConf = new SparkConf().setAppName("zookeeper").setMaster("local[2]")
        //获取SparkStreaming的上下文对象
        val ssc = new StreamingContext(conf, Seconds(5))

        val dStream: ReceiverInputDStream[String] = ssc.socketTextStream("qianfeng01", 10087)
        //map算子的练习
//        dStream.map(x=>(x,1)).print()
        //reduceByKey算子, 对同意micro-batch里的数据进行按照key分组运算
//        dStream.map((_,1)).reduceByKey((x,y)=>x+y).print()
        //flatMap和filter算子的练习：统计单词长度大于5的单词频率
//        dStream.flatMap(_.split(" ")).filter(_.length>5).map((_,1)).reduceByKey(_+_).print()
        //union算子的练习：将两个DStream里的数据进行求并集
//        val d1: DStream[(String, Int)] = dStream.map((_, 1))
//        val d2: DStream[(String, Int)] = dStream.map((_, 1)).reduceByKey(_ + _)
//        val d3: DStream[(String, Int)] = d1.union(d2)
//        d3.print()

        //count算子：统计每一批数据的记录数
//        val value: DStream[Long] = dStream.count()
//        value.print()
//        val value: DStream[((String, Int), Long)] = dStream.map((_, (Math.random()*10).toInt)).countByValue()
//        value.print()

        //join的练习
        dStream.flatMap(_.split(" ")).filter(_.length>5).map((_,1)).reduceByKey(_+_).print()
        val d1: DStream[(String, Int)] = dStream.map((_, 1))
        val d2: DStream[(String, Int)] = dStream.map((_, 1)).reduceByKey(_ + _)
        val value1: DStream[(String, (Int, Int))] = d1.join(d2)
        value1.print()

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

2）foreachRDD

package com.qf.sparkstreaming.day02

import org.apache.log4j.{Level, Logger}
import org.apache.spark.SparkConf
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.streaming.dstream.ReceiverInputDStream

object _05ForeachRDDdemo {
    def main(args: Array[String]): Unit = {
        Logger.getLogger("org").setLevel(Level.WARN)

        //获取配置对象
        val conf: SparkConf = new SparkConf().setAppName("zookeeper").setMaster("local[2]")
        //获取SparkStreaming的上下文对象
        val ssc = new StreamingContext(conf, Seconds(5))

        val dStream: ReceiverInputDStream[String] = ssc.socketTextStream("qianfeng01", 10087)

        /**
         * foreachRDD
         * 1. 首先是一个输出算子
         * 2. 在driver端执行
         * 3. 将DStream处理的micro-batch数据转成RDD,就可以调用RDD的相关算子进行运算
         */
        dStream.foreachRDD(rdd=>{
            rdd.map((_,1)).foreach(println)
        })

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

3. transform

package com.qf.sparkstreaming.day02

import org.apache.log4j.{Level, Logger}
import org.apache.spark.SparkConf
import org.apache.spark.rdd.RDD
import org.apache.spark.streaming.dstream.{DStream, ReceiverInputDStream}
import org.apache.spark.streaming.{Seconds, StreamingContext}

/**
 * 模拟场景：
 *     有几个男孩子被列为澡堂子的黑名单
 *     比如：小蒋，小黄，小唐
 */
object _07TransformDemo {
    def main(args: Array[String]): Unit = {
        Logger.getLogger("org").setLevel(Level.WARN)
        val conf = new SparkConf()
          .setAppName("OnlineBlacklistFilter")
          .setMaster("local[*]")
        val duration = Seconds(20)
        val ssc = new StreamingContext(conf, duration)

        //模拟一个RDD，存储黑名单
        val list = List(("小蒋",true),("小唐",true),("小黄",true))
        val blackList: RDD[(String, Boolean)] = ssc.sparkContext.makeRDD(list)

        //读取数据流中的名单
        val dStream: ReceiverInputDStream[String] = ssc.socketTextStream("qianfeng01", 10087)
        val dStream1: DStream[(String, (Int, Option[Boolean]))] = dStream.map((_, 1)).transform((rdd, time) => {
            //micro-batch里的数据与黑名单进行关联
            /*
                xiaohei  (1,)
                小唐 (1,true)
                  .......
             */
            val rdd1: RDD[(String, (Int, Option[Boolean]))] = rdd.leftOuterJoin(blackList)
            val rdd2: RDD[(String, (Int, Option[Boolean]))] = rdd1.filter(x => {
                if (x._2._2.getOrElse(false)) {
                    false
                } else {
                    true
                }
            })
            rdd2
        })
        dStream1.print()

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

4）updateStateByKey

package com.qf.sparkstreaming.day02

import org.apache.log4j.{Level, Logger}
import org.apache.spark.{HashPartitioner, Partitioner, SparkConf}
import org.apache.spark.streaming.dstream.{DStream, ReceiverInputDStream}
import org.apache.spark.streaming.{Seconds, StreamingContext}

/**
 * SparkStreaming的普通算子不能进行批次之间的聚合。
 * 而提供的UpdateStateByKey这个算子就是用于批次之间的聚合。
 */
object _08UpdateStateByKey {
    def main(args: Array[String]): Unit = {
        Logger.getLogger("org").setLevel(Level.WARN)
        val conf = new SparkConf()
          .setAppName("OnlineBlacklistFilter")
          .setMaster("local[*]")
        val duration = Seconds(20)
        val ssc = new StreamingContext(conf, duration)
        ssc.checkpoint("data")

        val dStream: ReceiverInputDStream[String] = ssc.socketTextStream("qianfeng01", 10087)
        //定义一个函数
        /**
         * 第一个参数K 表示
         * 第二个参数 Seq[V] 表示这一批次的同一个key的v的集合
         * 第三个参数 Option[S]) 表示上一批次的这个key的v的值
         * 返回值是一个迭代器，返回的是这个key与这一批次的值与上一批次值的累加之和
         */
        val func = (iter:Iterator[(String, Seq[Int], Option[Int])]) => {
             iter.map(x=>{
                 (x._1,x._2.sum+x._3.getOrElse(0))
             })
        }
        val result: DStream[(String, Int)] = dStream.map((_, 1)).updateStateByKey(
            func,
            new HashPartitioner(ssc.sparkContext.defaultMinPartitions),
            true)
        result.print()

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