在Spark1.3版本后,KafkaUtils里面提供了两个创建dstream的方法,一种为KafkaUtils.createDstream,另一种为KafkaUtils.createDirectStream。
KafkaUtils.createDstream方式
KafkaUtils.createDstream(ssc, [zk], [group id], [per-topic,partitions] ) 使用了receivers接收器来接收数据,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,可能会丢失,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 。
步骤:
A、创建一个receiver接收器来对kafka进行定时拉取数据
B、对于不同的group和topic可以使用多个receivers创建不同的DStream
C、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),
开发流程:
添加依赖
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-streaming-kafka-0-8_2.11</artifactId>
<version>2.1.3</version>
</dependency>
启动集群
启动zookeeper,kafka集群
kafka创建topic
kafka-topics.sh --create --zookeeper node01:2181,node02:2181,node03:2181 --replication-factor 2 --partitions 3 --topic kafka_spark
开发spark Streaming代码
package com.fgm.streaming_kafka
import org.apache.spark.streaming.dstream.{DStream, ReceiverInputDStream}
import org.apache.spark.streaming.kafka.KafkaUtils
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.{SparkConf, SparkContext}
import scala.collection.immutable
/**
*利用sparkSteaming整合kafka
*
* @Auther: fgm
*/
object SparkStreamingKafkaReceiver {
def main(args: Array[String]): Unit = {
val sparkConf: SparkConf = new SparkConf().setAppName("kafkaReceiver").setMaster("local[4]").set("spark.streaming.receiver.writeAheadLog.enable","true")
val sc: SparkContext = new SparkContext(sparkConf)
sc.setLogLevel("WARN")
val ssc = new StreamingContext(sc,Seconds(5))
//设置checkpoint目录,保证最原始的数据安全性
ssc.checkpoint("./sparkReceiver")
//指定zk服务地址
val zkQuorum="node01:2181,node02:2181,node03:2181"
//指定消费者组
val groupId="spark-receiver"
//指定topic相关信息
val topics=Map("kafkaSpark"->1)
//实现多个receiver接收器接收数据,加快数据接收的速度
val dstreamList: immutable.IndexedSeq[ReceiverInputDStream[(String, String)]] = (1 to 3).map(x => {
val createStream: ReceiverInputDStream[(String, String)] = KafkaUtils.createStream(ssc, zkQuorum, groupId, topics)
createStream
})
val unionKafkaDstream: DStream[(String, String)] = ssc.union(dstreamList)
//获取kafka中topic中的数据
val data: DStream[String] = unionKafkaDstream.map(_._2)
//切分
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()
}
}
向topic中生产数据
通过shell命令向topic发送消息
kafka-console-producer.sh --broker-list node01:9092 --topic kafka_spark
运行sparkstreaming代码,向topic中发送数据,查看IDEA控制台的输出结果
通过这种方式实现,如果系统异常重新启动sparkstreaming程序后,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的高级API,topic的offset偏移量在ZooKeeper中。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只被处理一次,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,我们使用官网推荐的第二种方式kafkaUtils的createDirectStream()方式。
在后续的kafka jar包中,已经不支持这种方式。
KafkaUtils.createDirectStream方式
它定期地从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(低级api)读取一定范围的数据。
createDirectStream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分区数相同的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topic分区数是一一对应的关系。
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,第一次是接受kafka中topic的数据,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。
依赖同上
代码开发
package com.fgm.streaming_kafka
import kafka.serializer.StringDecoder
import org.apache.spark.streaming.dstream.{DStream, InputDStream}
import org.apache.spark.streaming.kafka.KafkaUtils
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.{SparkConf, SparkContext}
/**
*利用sparkStreaming整合kafka,不再有zk去维护消息的偏移量,由客户端程序自己去维护
* @Auther: fgm
*/
object SparkStreamingKafkaDirect {
def main(args: Array[String]): Unit = {
val sparkConf: SparkConf = new SparkConf().setAppName("kafkaDirect").setMaster("local[2]")
val sc = new SparkContext(sparkConf)
sc.setLogLevel("WARN")
//创建streamingContext
val ssc: StreamingContext = new StreamingContext(sc,Seconds(5))
ssc.checkpoint("/sparkDirect")
val kafkaParams = Map("bootstrap.servers"->"node01:9092,node02:9092,node03:9092","group.id"->"spark-direct")
val topics=Set("kafkaSpark")
val kafkaDstream: InputDStream[(String, String)] = KafkaUtils.createDirectStream[String,String,StringDecoder,StringDecoder](ssc,kafkaParams,topics)
//获取topic的内容
val data: DStream[String] = kafkaDstream.map(_._2)
val result: DStream[(String, Int)] = data.flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_)
result.print()
ssc.start()
ssc.awaitTermination()
}
}
测试同上