Spark Streaming对接FlumeNG有两种方式,一种是FlumeNG将消息Push推给Spark Streaming,还有一种是Spark Streaming从flume 中Poll拉取数据。
也就是一种是推模式,主动方在Flume,一种是拉模式,主动方在Spark Streaming。
Poll模式(拉模式)
1 搭建安装flume
2 下载依赖包
下载依赖包,spark-streaming-flume-sink_2.11-2.1.3.jar
并将其放入到flume的lib目录下
3 修改flume/lib下的scala依赖包
从spark安装目录的jars文件夹(spark的jar包目录)下找到scala-library-2.11.8.jar 包,替换掉flume的lib目录下自带的scala-library-2.10.1.jar。
4 开发flume的agent
整合是拉模式,所以flume向自己所在的机器上产数据。
编写flume-poll.conf配置文件
a1.sources = r1
a1.sinks = k1
a1.channels = c1
#source
a1.sources.r1.channels = c1
a1.sources.r1.type = spooldir
a1.sources.r1.spoolDir = /root/data
a1.sources.r1.fileHeader = true
#channel
a1.channels.c1.type =memory
a1.channels.c1.capacity = 20000
a1.channels.c1.transactionCapacity=5000
#sinks
a1.sinks.k1.channel = c1
a1.sinks.k1.type = org.apache.spark.streaming.flume.sink.SparkSink
a1.sinks.k1.hostname=node01
a1.sinks.k1.port = 8888
a1.sinks.k1.batchSize= 2000
启动flume:
flume-ng agent -n a1 -c /export/servers/flume/conf -f /export/servers/flume/conf/flume-poll.conf -Dflume.root.logger=INFO,console
/root/data目录下准备数据文件data.txt
5 开发spark Streaming代码
引入pom依赖
<properties>
<scala.version>2.11.8</scala.version>
<spark.version>2.1.3</spark.version>
</properties>
<dependencies>
<dependency>
<groupId>org.scala-lang</groupId>
<artifactId>scala-library</artifactId>
<version>${scala.version}</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.11</artifactId>
<version>${spark.version}</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-streaming_2.11</artifactId>
<version>2.1.3</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-streaming-flume_2.11</artifactId>
<version>2.1.3</version>
</dependency>
</dependencies>
代码示例:(scala代码)
package com.fgm.streaming_flume
import org.apache.spark.streaming.dstream.{DStream, ReceiverInputDStream}
import org.apache.spark.streaming.flume.{FlumeUtils, SparkFlumeEvent}
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.{SparkConf, SparkContext}
/**
*sparkStreaming整合flume,采用拉模式
* @Auther: fgm
*/
object SparkStreamingFlumePoll {
def updateFunc(currentValues:Seq[Int], historyValues:Option[Int]):Option[Int] = {
val newValue: Int = currentValues.sum+historyValues.getOrElse(0)
Some(newValue)
}
def main(args: Array[String]): Unit = {
val sparkConf = new SparkConf().setAppName("FlumePoll").setMaster("local[2]")
val sc: SparkContext = new SparkContext(sparkConf)
sc.setLogLevel("warn")
val ssc = new StreamingContext(sc,Seconds(5))
ssc.checkpoint("./flume-poll")
//通过flumeUtils调用createPollingStream方法获取flume中的数据
val pollingStream: ReceiverInputDStream[SparkFlumeEvent] = FlumeUtils.createPollingStream(ssc,"node01",8888)
//获取flume中event的body
val data: DStream[String] = pollingStream.map(x=>new String(x.event.getBody.array()))
val words: DStream[String] = data.flatMap(_.split(" "))
val wordAndOne: DStream[(String, Int)] = words.map((_,1))
val result: DStream[(String, Int)] = wordAndOne.updateStateByKey(updateFunc)
//输出
result.print()
//开启流式计算
ssc.start()
ssc.awaitTermination()
}
}
6 启动spark-streaming应用程序,去flume所在机器拉取数据
7 向/root/data目录下上传测试文档,查看IDEA控制台输出。
Push模式(推模式)
由于依赖等之前已经做过,这里直接开发flume配置文件即可。
1 开发flume-push.conf配置文件
#push mode
a1.sources = r1
a1.sinks = k1
a1.channels = c1
#source
a1.sources.r1.channels = c1
a1.sources.r1.type = spooldir
a1.sources.r1.spoolDir = /root/data
a1.sources.r1.fileHeader = true
#channel
a1.channels.c1.type =memory
a1.channels.c1.capacity = 20000
a1.channels.c1.transactionCapacity=5000
#sinks
a1.sinks.k1.channel = c1
a1.sinks.k1.type = avro
#sparkStreaming 代码运行的主机,这里是本机ip
a1.sinks.k1.hostname=192.168.52.5
a1.sinks.k1.port = 8888
a1.sinks.k1.batchSize= 2000
2 开发spark Streaming代码(scala代码)
依赖同上
示例代码如下:
package com.fgm.streaming_flume
import org.apache.spark.streaming.dstream.{DStream, ReceiverInputDStream}
import org.apache.spark.streaming.flume.{FlumeUtils, SparkFlumeEvent}
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.{SparkConf, SparkContext}
/**
*利用sparkStreaming整合flume,推模式
* @Auther: fgm
*/
object SparkStreamingFlumePush {
def main(args: Array[String]): Unit = {
val sparkConf: SparkConf = new SparkConf().setAppName("FlumePush").setMaster("local[2]")
val sc = new SparkContext(sparkConf)
sc.setLogLevel("WARN")
val ssc: StreamingContext = new StreamingContext(sc,Seconds(0))
val Stream: ReceiverInputDStream[SparkFlumeEvent] = FlumeUtils.createStream(ssc,"192.168.52.5",8888)
//获取flume中event
val data: DStream[String] = Stream.map(x=>new String(x.event.getBody.array()))
val words: DStream[String] = data.flatMap(_.split(" "))
val wordAndOne: DStream[(String, Int)] = words.map((_,1))
val result: DStream[(String, Int)] = wordAndOne.reduceByKey(_+_)
result.print()
ssc.start()
ssc.awaitTermination()
}
}
3 启动spark-streaming应用程序
4 启动flume
flume-ng agent -n a1 -c /export/servers/flume/conf -f /export/servers/flume/conf/flume-push.conf -Dflume.root.logger=INFO,console
5 向/root/data目录下上传测试文档,查看IDEA控制台输出。
如何保证数据不丢失?
(1) flume采用的channel是将数据落地到磁盘中,保证数据源端安全性(可以在补充一下,flume在这里的channel可以设置为memory内存中,提高数据接收处理的效率,但是由于数据在内存中,安全机制保证不了,故选择channel为磁盘存储。整个流程运行有一点的延迟性)
(2)sparkStreaming通过拉模式整合的时候,使用了FlumeUtils这样一个类,该类是需要依赖一个额外的jar包(spark-streaming-flume_2.10)
(3)要想保证数据不丢失,数据的准确性,可以在构建StreamingConext的时候,利用StreamingContext.getOrCreate(checkpoint, creatingFunc: () => StreamingContext)来创建一个StreamingContext,使用StreamingContext.getOrCreate来创建StreamingContext对象,传入的第一个参数是checkpoint的存放目录,第二参数是生成StreamingContext对象的用户自定义函数。如果checkpoint的存放目录存在,则从这个目录中生成StreamingContext对象;如果不存在,才会调用第二个函数来生成新的StreamingContext对象。在creatingFunc函数中,除了生成一个新的StreamingContext操作,还需要完成各种操作,然后调用ssc.checkpoint(checkpointDirectory)来初始化checkpoint功能,最后再返回StreamingContext对象。
这样,在StreamingContext.getOrCreate之后,就可以直接调用start()函数来启动(或者是从中断点继续运行)流式应用了。如果有其他在启动或继续运行都要做的工作,可以在start()调用前执行。
(4)流式计算中使用checkpoint的作用:
保存元数据,包括流式应用的配置、流式没崩溃之前定义的各种操作、未完成所有操作的batch。元数据被存储到容忍失败的存储系统上,如HDFS。这种ckeckpoint主要针对driver失败后的修复。
保存流式数据,也是存储到容忍失败的存储系统上,如HDFS。这种ckeckpoint主要针对window operation、有状态的操作。无论是driver失败了,还是worker失败了,这种checkpoint都够快速恢复,而不需要将很长的历史数据都重新计算一遍(以便得到当前的状态)。
(5)设置流式数据checkpoint的周期
- 对于一个需要做checkpoint的DStream结构,可以通过调用DStream.checkpoint(checkpointInterval)来设置ckeckpoint的周期,经验上一般将这个checkpoint周期设置成batch周期的5至10倍。
(6)使用write ahead logs功能 - 这是一个可选功能,建议加上。这个功能将使得输入数据写入之前配置的checkpoint目录。这样有状态的数据可以从上一个checkpoint开始计算。开启的方法是把spark.streaming.receiver.writeAheadLogs.enable这个property设置为true。另外,由于输入RDD的默认StorageLevel是MEMORY_AND_DISK_2,即数据会在两台worker上做replication。实际上,Spark Streaming模式下,任何从网络输入数据的Receiver(如kafka、flume、socket)都会在两台机器上做数据备份。如果开启了write ahead logs的功能,建议把StorageLevel改成MEMORY_AND_DISK_SER。修改的方法是,在创建RDD时由参数传入。
- 使用以上的checkpoint机制,确实可以保证数据0丢失。但是一个前提条件是,数据发送端必须要有缓存功能,这样才能保证在spark应用重启期间,数据发送端不会因为spark streaming服务不可用而把数据丢弃。而flume具备这种特性,同样kafka也具备。