【Spark Streaming】（五）Spark Streaming 与 Kafka 集成实战！_kafkautils(2)

#### 2.4 创建topic

kafka-topics.sh --create --zookeeper 192.168.56.137:2181 --topic kafka_spark --replication-factor 1 --partitions 1

#### 2.5 向topic中生产数据


通过shell命令向topic发送消息

kafka-console-producer.sh --broker-list 192.168.56.137:9092 --topic kafka_spark

**Spark Streaming 读取 Kafka 数据源由两种模式，我会逐一讲解**。


### 三、KafkaUtils.createDstream


#### 3.1 原理


构造函数为`KafkaUtils.createDstream(ssc,[zk], [consumer group id], [per-topic,partitions] )` 使用了`receivers`来接收数据，利用的是Kafka高层次的消费者api，对于所有的`receivers`接收到的数据将会保存在`Spark executors`中，然后通过`Spark Streaming`启动`job`来处理这些数据，默认会丢失，可启用WAL日志，它同步将接受到数据保存到分布式文件系统上比如HDFS。 所以数据在出错的情况下可以恢复出来 。



> 
> 1. 创建一个receiver来对kafka进行定时拉取数据，ssc的rdd分区和kafka的topic分区不是一个概念，故如果增加特定主消费的线程数仅仅是增加一个receiver中消费topic的线程数，并不增加spark的并行处理数据数量。
> 2. 对于不同的group和topic可以使用多个receivers创建不同的DStream。
> 3. 如果启用了WAL(spark.streaming.receiver.writeAheadLog.enable=true)  
>  ，同时需要设置存储级别(默认StorageLevel.MEMORY\_AND\_DISK\_SER\_2)，即KafkaUtils.createStream(….,StorageLevel.MEMORY\_AND\_DISK\_SER)。
> 
> 
> 


#### 3.2 实战


**KafkaUtils.createDstream方式（基于kafka高级API ----- 偏移量由zk保存）**

package cn.testdemo.dstream.kafka
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.streaming.dstream.{DStream, ReceiverInputDStream}
import org.apache.spark.streaming.kafka.KafkaUtils
import scala.collection.immutable

//todo:利用sparkStreaming对接kafka实现单词计数----采用receiver(高级API)
object SparkStreamingKafka_Receiver {
def main(args: Array[String]): Unit = {
//1、创建sparkConf
val sparkConf: SparkConf = new SparkConf()
.setAppName(“SparkStreamingKafka_Receiver”)
.setMaster(“local[2]”)
.set(“spark.streaming.receiver.writeAheadLog.enable”,“true”) //开启wal预写日志，保存数据源的可靠性
//2、创建sparkContext
val sc = new SparkContext(sparkConf)
sc.setLogLevel(“WARN”)
//3、创建StreamingContext
val ssc = new StreamingContext(sc,Seconds(5))

//设置checkpoint
  ssc.checkpoint("./Kafka\_Receiver")
//4、定义zk地址
val zkQuorum="node-1:2181,node-2:2181,node-3:2181"
//5、定义消费者组
val groupId="spark\_receiver"
//6、定义topic相关信息 Map[String, Int]
// 这里的value并不是topic分区数，它表示的topic中每一个分区被N个线程消费
val topics=Map("kafka\_spark" -> 2)

//7、通过KafkaUtils.createStream对接kafka
//这个时候相当于同时开启3个receiver接受数据
val receiverDstream: immutable.IndexedSeq[ReceiverInputDStream[(String, String)]] = (1 to 3).map(x => {
  val stream: ReceiverInputDStream[(String, String)] = KafkaUtils.createStream(ssc, zkQuorum, groupId, topics)
  stream
  }
)
//使用ssc.union方法合并所有的receiver中的数据
  val unionDStream: DStream[(String, String)] = ssc.union(receiverDstream)
//8、获取topic中的数据
val topicData: DStream[String] = unionDStream.map(_._2)
//9、切分每一行,每个单词计为1
val wordAndOne: DStream[(String, Int)] = topicData.flatMap(_.split(" ")).map((\_,1))
//10、相同单词出现的次数累加
val result: DStream[(String, Int)] = wordAndOne.reduceByKey(_+_)
//11、打印输出
result.print()

//开启计算
ssc.start()
ssc.awaitTermination()

}
}

总结:


通过这种方式实现，刚开始的时候系统正常运行，没有发现问题，但是如果系统异常重新启动sparkstreaming程序后，发现程序会重复处理已经处理过的数据，这种基于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。官方现在也已经不推荐这种整合方式，官网相关地址下面我们使用官网推荐的第二种方式kafkaUtils的createDirectStream()方式。


### 四、KafkaUtils.createDirectStream


#### 4.1 原理


不同于Receiver接收数据，这种方式定期地从kafka的topic下对应的partition中查询最新的偏移量，再根据偏移量范围在每个batch里面处理数据，Spark通过调用kafka简单的消费者API读取一定范围的数据。


相比基于Receiver方式有几个优点：


* 简化并行  
 不需要创建多个kafka输入流，然后union它们，sparkStreaming将会创建和kafka分区一种的rdd的分区数，而且会从kafka中并行读取数据，spark中RDD的分区数和kafka中的分区数据是一一对应的关系。
* 高效  
 第一种实现数据的零丢失是将数据预先保存在WAL中，会复制一遍数据，会导致数据被拷贝两次，第一次是被kafka复制，另一次是写到WAL中。而没有receiver的这种方式消除了这个问题。
* 恰好一次语义(Exactly-once-semantics)  
 Receiver读取kafka数据是通过kafka高层次api把偏移量写入zookeeper中，虽然这种方法可以通过数据保存在WAL中保证数据不丢失，但是可能会因为sparkStreaming和ZK中保存的偏移量不一致而导致数据被消费了多次。EOS通过实现kafka低层次api，偏移量仅仅被ssc保存在checkpoint中，消除了zk和ssc偏移量不一致的问题。缺点是无法使用基于zookeeper的kafka监控工具


#### 4.2 实战

package cn.itcast.dstream.kafka
import kafka.serializer.StringDecoder
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.streaming.dstream.{DStream, InputDStream}
import org.apache.spark.streaming.kafka.KafkaUtils

//todo:利用sparkStreaming对接kafka实现单词计数----采用Direct(低级API)
object SparkStreamingKafka_Direct {
def main(args: Array[String]): Unit = {
//1、创建sparkConf
val sparkConf: SparkConf = new SparkConf()
.setAppName(“SparkStreamingKafka_Direct”)
.setMaster(“local[2]”)
//2、创建sparkContext
val sc = new SparkContext(sparkConf)
sc.setLogLevel(“WARN”)
//3、创建StreamingContext
val ssc = new StreamingContext(sc,Seconds(5))
//4、配置kafka相关参数
val kafkaParams=Map(“metadata.broker.list”->“node-1:9092,node-2:9092,node-3:9092”,“group.id”->“Kafka_Direct”)
//5、定义topic
val topics=Set(“kafka_spark”)

  //6、通过 KafkaUtils.createDirectStream接受kafka数据，这里采用是kafka低级api偏移量不受zk管理

    val dstream: InputDStream[(String, String)] = 

    KafkaUtils.createDirectStream[String,String,StringDecoder,StringDecoder](ssc,kafkaParams,topics)

  //7、获取kafka中topic中的数据
    val topicData: DStream[String] = dstream.map(_._2)
  //8、切分每一行,每个单词计为1
    val wordAndOne: DStream[(String, Int)] = topicData.flatMap(_.split(" ")).map((\_,1))
  //9、相同单词出现的次数累加
    val result: DStream[(String, Int)] = wordAndOne.reduceByKey(_+_)
  //10、打印输出
    result.print()
  //开启计算
    ssc.start()
    ssc.awaitTermination()

}
}

#### 4.3 结果展示

---

Time: 1536325032000 ms

(love,1)
(Beijing,1)
(I,1)

---

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取