Spark Streaming整合Kafka（一）

基于Receiver 方式整合

一、Kafka版本选择

Spark Streaming支持Kafka0.8.2.1及以上的版本。

Kafka项目介绍了两个新的Comsumer（消费者）API，在0.8版本和0.10版本之间，根据自身需求选择版本号，另外要注意，0.8版本是兼容0.9 0.10版本的broker，但0.10版本不兼容之前的版本，接下来我粘贴下官网的一张对比图：

笔者选的是0.8版本。

二、基于Receiver 方式整合

这种方式是使用Receiver接收数据，这个receiver是使用kafka高级的消费者API操作，所谓高阶，就是它的偏移量之类的是由zookeeper来完成的，低层次的就需要手动来管理。所有的数据都是从kafka里过来通过receiver进行接收，然后存储到Spark executor里面去，接着Spark Streaming启动job处理存储中的数据。

默认的方式在处理一些故障的时候，会丢失一些数据，为了确保0数据的丢失，需要在Spark Streaming里面开启WAL机制（Write Ahead Logs），这样就能在HDFS上面同步保存所有kafka里面的数据，即先写到日志里面去，再进行处理，如果出现故障，可以从日志里找回，就能避免数据的丢失。接下来，分析如何使用这种机制在stream应用里：

1.导入依赖

 groupId = org.apache.spark
 artifactId = spark-streaming-kafka-0-8_2.11
 version = 2.2.0

2.编程

我们需要导入KafkaUrils，生成一个输入DStream

 import org.apache.spark.streaming.kafka._

 val kafkaStream = KafkaUtils.createStream(streamingContext,
     [ZK quorum], [consumer group id], [per-topic number of Kafka partitions to consume])

此处有几点要注意下：

1）kafka的partition和RDD里的partition不是一个概念；

2）有多个kafka DStream，我们可以采用不同的组到topic上面，采用并行的方式进行接收，这样可以提升数据的吞吐量；

3）如果需要开启WAL机制的话，底层需要有个支持副本的，类似HDFS的文件系统，数据接收后，首先会以副本的方式存储到日志里面。对于 input stream 的storage level 需要设置成 StorageLevel.MEMORY_AND_DISK_SER ，大概意思也就是在内存和磁盘都存储一下。

Demo

import org.apache.spark.SparkConf
import org.apache.spark.streaming.kafka.KafkaUtils
import org.apache.spark.streaming.{Seconds, StreamingContext}

/**
  * Spark Streaming对接Kafka的方式一
  */
object KafkaReceiverWordCount {

  def main(args: Array[String]): Unit = {

    if(args.length != 4) {
      System.err.println("Usage: KafkaReceiverWordCount <zkQuorum> <group> <topics> <numThreads>")
    }

    val Array(zkQuorum, group, topics, numThreads) = args

    val sparkConf = new SparkConf() //.setAppName("KafkaReceiverWordCount")
      //.setMaster("local[2]")

    val ssc = new StreamingContext(sparkConf, Seconds(5))

    val topicMap = topics.split(",").map((_, numThreads.toInt)).toMap

    // TODO... Spark Streaming如何对接Kafka
    val messages = KafkaUtils.createStream(ssc, zkQuorum, group,topicMap)

    // TODO... 自己去测试为什么要取第二个
    messages.map(_._2).flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).print()

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

3.提交或部署

首先进行打包，命令为：mvn clean package -DskipTests ,使用Spark-submit，提交命令如下：

spark-submit \
--class com.imooc.spark.KafkaReceiverWordCount \
--master local[2] \
--name KafkaReceiverWordCount \
--packages org.apache.spark:spark-streaming-kafka-0-8_2.11:2.2.0 \
/home/hadoop/lib/sparktrain-1.0.jar  hadoop000:2181 test kafka_streaming_topic 1

注意的是，Spark Streaming会一直启动receiver来接收数据，如果结束掉这个job，就无法正常接收kafka的数据。本次测试的话，可以先跑起kafka后，再在Spark上运行一个任务，即启动个receiver来接收kafka的数据。

三、Receiver整合总结

1) 启动zk
2) 启动kafka
3) 创建topic
4) 通过控制台测试本topic是否能够正常的生产和消费信息