SparkStreaming&Kafka——Receiver方式

SparkStreaming&Kafka——Receiver方式

1. Github地址

https://github.com/holdbelief/spark/tree/master/SparkStreaming/SparkStreamingExamples/SparkStreaming_Kafka/Receiver

1. 整体架构

1. 执行流程

Kafka生产者向Kafka生产消息

Producer向不同的Broker中生产消息的负载均衡策略有两种：1、轮询的负载均衡策略；2、基于hash的负载均衡策略

1. SparkStreaming作为Kafka的消费者消费Kafka中的消息

   Receiver模式会启动一个ReceiverTask线程，每隔BatchInterval时间间隔从Kafka中订阅的Topic中拉取消息。ReceiverTask也会占用一个线程，这就是为什么设置线程数不能设置为1个线程的原因（如果只有一个线程，那么这个线程会被用来执行ReceiverTask，就没有多余的线程执行应用成了）。如下代码所示：

   SparkConf.setMaster("local[1]");

   或者

   SparkConf.setMaster("local");

   都不可以。

2. ReceiverTask将消息进行持久化

   持久化级别是MEMORY_AND_DISK_SER_2，如果有有3个Executor，那么并不是将消息复制为3个数据副本，而是根据持久化级别复制成2个数据副本

3. ReceiverTask向Driver的ReceiverTracker线程汇报接收到的消息都存放在哪些Executor节点中
4. ReceiverTask向ZK汇报消费消息的消费偏移量
5. Driver分发Task到Executor线程池中执行

   Driver知道消息都在哪些Executor节点中之后（第3步），分发task到Executor线程池中执行，从而实现了数据本地化（移动计算而不移动数据）

   1. 预写日志机制WAL（Write Ahead Log）

      1. WAL描述

   Receiver方式可能造成的数据丢失：

   当SparkStreaming的Driver进程挂掉之后，与Driver同属于一个Application的Executor进程也会挂掉，那么如果在第4步之后Driver进程挂掉，Executor也挂掉，那么会造成Executor中的数据丢失，而在第4步中又已经向ZK汇报完了消息的数据偏移量，那么这部分数据无法重新从Kafka中获取。

   解决方案就是在上面第2步之后，增加一步，SparkStreaming将从Kafka中接受来的消息再在HDFS中存储一份。（在Executor中根据持久化级别MEMORY_DISK_SER_E存储过2分消息，但是Executor可能会因为Driver的挂掉而挂掉，导致持久化的消息丢失，所以在HDFS中再存储一份消息），这个机制称作WAL机制（WriteAheadLog-预写日志机制）。

6. SparkStreaming作为Kafka的消费者消费Kafka中的消息
7. ReceiverTask将消息进行持久化
8. WAL机制
9. ReceiverTask向Driver的ReceiverTracker线程汇报接收到的消息都存放在哪些Executor节点中
10. ReceiverTask向ZK汇报消费消息的消费偏移量
11. Driver分发Task到Executor

    1. WAL代码实现

    

    1. WAL问题

    预写日志机制的存在的问题是，需要将数据写入HDFS从而在性能上带来的损失。WAL完成之前，无法继续执行下一步ReceiverTask向Driver汇报消息位置，进而拖慢整个系统运行速度，如果WAL时间超过了BatchInterval时间，那么系统会出问题。

    1. 代码解析

    1. 代码详解

    package com.bjsxt.java.spark.streaming;

     

    import java.util.Arrays;

    import java.util.HashMap;

    import java.util.Map;

     

    import org.apache.spark.SparkConf;

    import org.apache.spark.api.java.function.FlatMapFunction;

    import org.apache.spark.api.java.function.Function2;

    import org.apache.spark.api.java.function.PairFunction;

    import org.apache.spark.streaming.Durations;

    import org.apache.spark.streaming.api.java.JavaDStream;

    import org.apache.spark.streaming.api.java.JavaPairDStream;

    import org.apache.spark.streaming.api.java.JavaPairReceiverInputDStream;

    import org.apache.spark.streaming.api.java.JavaStreamingContext;

    import org.apache.spark.streaming.kafka.KafkaUtils;

     

    import scala.Tuple2;

     

    publicclass SparkStreamingOnKafkaReceiver {

        publicstaticvoid main(String[] args) {

    /*

            * 当在Eclipse中运行的时候，去掉setMaster("local[1]")的注释，在yarn或者Standalone中运行的时候，注释掉setMaster("local[1]")

    */

            SparkConf conf = new SparkConf().setAppName("SparkStreamingOnKafkaReceiver").setMaster("local[2]")

                    .set("spark.streaming.receiver.writeAheadLog.enable", "true"); //开启WAL路径设置

     

            JavaStreamingContext jsc = null;

     

            try {

                jsc = new JavaStreamingContext(conf, Durations.seconds(5));

                /*

                 * WAL路径设置

                 */

                jsc.checkpoint("hdfs://mycluster/kafka_spark/receiverdata");

     

                Map<String, Integer> topicConsumerConcurrency = new HashMap<String, Integer>();

                /*

                 * Map的Key：消费的Topic的名字，本例中Topic1，代表消费Topic1这个Topic Map的Value：启动几个线程去执行Receiver

                 * Task，本例中1，代表使用1个线程执行Receiver Task

                 * 如果Value设置为1，那么setMaster("local[2]")，就至少要设置为2个线程，一个线程用于执行Receiver

                 * Task，另一个线程用于执行业务

                 * 如果Value设置为2，那么setMaster("local[3]")，就至少要设置为3个线程，两个线程用于执行Receiver

                 * Task，剩下一个线程用于执行业务

                 */

                topicConsumerConcurrency.put("Topic1", 1);

                JavaPairReceiverInputDStream<String, String> lines = KafkaUtils.createStream(jsc,

                        "faith-openSUSE:2181,faith-Kylin:2181,faith-Mint:2181", "MyFirstConsumerGroup",

                        topicConsumerConcurrency);

     

                /*

                 * lines是一个kv格式的 k:offset v:values

                 */

                JavaDStream<String> words = lines.flatMap(new FlatMapFunction<Tuple2<String, String>, String>() {

     

                    privatestaticfinallongserialVersionUID = -1955739045858623388L;

     

                    @Override

                    public Iterable<String> call(Tuple2<String, String> tuple) throws Exception {

                        return Arrays.asList(tuple._2.split("\t"));

                    }

                });

     

                JavaPairDStream<String, Integer> pairs = words.mapToPair(new PairFunction<String, String, Integer>() {

     

                    privatestaticfinallongserialVersionUID = -4180968474440524871L;

     

                    @Override

                    public Tuple2<String, Integer> call(String word) throws Exception {

                        returnnew Tuple2<String, Integer>(word, 1);

                    }

                });

     

                JavaPairDStream<String, Integer> wordsCount = pairs.reduceByKey(new Function2<Integer, Integer, Integer>() {

     

                    privatestaticfinallongserialVersionUID = 5167887209365658964L;

     

                    @Override

                    public Integer call(Integer v1, Integer v2) throws Exception {

                        returnv1 + v2;

                    }

                });

     

                wordsCount.print();

     

                jsc.start();

            } finally {

                if (jsc != null) {

                    jsc.awaitTermination();

                }

            }

        }

    }

    1. 服务器规划

       		faith-Fedora	faith-Ubuntu	faith-openSUSE	faith-Kylin	faith-Mint	faith-Fedora2
       zk	zk1			√
       	zk2				√
       	zk3					√
       HDFS	NN1	√
       	NN2		√
       	JN1	√
       	JN2		√
       	JN3			√
       	DN1			√
       	DN2				√
       	DN3					√
       Yarn	RS1				√
       	RS2					√
       	NM1			√
       	NM2				√
       	NM3					√
       Spark	client						√
       Kafka	Broker1			√
       	Broker2				√
       	Broker3					√

    2. 启动集群

       1. 启动ZK集群

分别在faith-openSUSE、faith-Kylin、faith-Mint上执行zkServer.sh start。

1. 启动HDFS集群

在faith-Fedora节点上执行start-dfs.sh

1. 启动Yarn集群

在faith-Kylin节点上执行start-yarn.sh

在faith-Mint节点上执行yarn-daemon.sh start resourcemanager

1. 启动Kafka集群

在faith-openSUSE、faith-Kylin、faith-Mint节点上分别执行下面命令，启动Kafka集群：

1. 运行测试

   1. 创建名字为Topic1的Topic

1. 在Console启动Kafka的Producer

启动Producer，并输入一些字符串

1. 如果是在Eclipse中执行，可以直接在控制台看到结果

1. 在Yarn中执行

   1. Client方式提交

1. Cluster方式提交

1. 数据库展示

填坑

由于本例中使用的Spark版本是1.6.2，与之对应的Scala版本是2.10，在Maven的POM文件中加入SparkStreaming依赖的时候，scala的版本要为2.10，不能是2.11或其他。例如：

        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-streaming-kafka_2.10</artifactId>
            <version>1.6.2</version>

        </dependency>

如果写成2.11，有可能造成一些问题，例如本例中，2.11的时候，当使用yarn-client或者yarn-Client模式下，无法获取BlockManager的问题，程序一直卡在这里，等待获取BlockManager，不继续执行。或者还有可能造成其他各种问题。

总之Spark的版本要和Scala的版本对应上。

参考文章：

https://www.iteblog.com/archives/1322.html