Spark Streaming：输入DStream之Kafka数据源

基于Receiver的方式

这种方式使用Receiver来获取数据。Receiver是使用Kafka的高层次Consumer API来实现的。receiver从Kafka中获取的数据都是存储在Spark Executor的内存中的，然后Spark Streaming启动的job会去处理那些数据

在默认的配置下，这种方式可能会因为底层的失败而丢失数据。如果要启用高可靠机制，让数据零丢失，就必须启用Spark Streaming的预写日志机制（Write Ahead Log，WAL）。该机制会同步地将接收到的Kafka数据写入分布式文件系统（比如HDFS）上的预写日志中。所以，即使底层节点出现了失败，也可以使用预写日志中的数据进行恢复

public class KafkaReceiverWordCount {

	public static void main(String[] args) throws InterruptedException {

		SparkConf conf = new SparkConf().setMaster("local[*]").setAppName("WordCount");

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

		Map<String, Integer> topicThreadMap = new HashMap<String, Integer>();
		topicThreadMap.put("WordCount", 1);

		JavaPairReceiverInputDStream<String, String> lines = KafkaUtils.createStream(jssc, "spark1:2181,spark2:2181,spark3:2181", "DefaultConsumerGroup", topicThreadMap);

		lines.flatMap(x -> Arrays.asList(x._2.split(" ")).iterator()).mapToPair(s -> new Tuple2<String, Integer>(s, 1)).reduceByKey((i1, i2) -> i1 + i2).print();

		jssc.start();
		jssc.awaitTermination();// 等待结束
		jssc.close();

	}
}

注意的要点:

• Kafka中的topic的partition，与Spark中的RDD的partition是没有关系的。所以，在KafkaUtils.createStream()中，提高partition的数量，只会增加一个Receiver中，读取partition的线程的数量。不会增加Spark处理数据的并行度
• 可以创建多个Kafka输入DStream，使用不同的consumer group和topic，来通过多个receiver并行接收数据。
• 如果基于容错的文件系统，比如HDFS，启用了预写日志机制，接收到的数据都会被复制一份到预写日志中。因此，在KafkaUtils.createStream()中，设置的持久化级别是StorageLevel.MEMORY_AND_DISK_SER。

Kafka命令:

bin/kafka-topics.sh --create --topic WordCount  --replication-factor 1 --partitions 1 --zookeeper spark1:2181,spark2:2181,spark3:2181

bin/kafka-topics.sh --delete --zookeeper spark1:2181,spark2:2181,spark3:2181  --topic WordCount

bin/kafka-console-producer.sh --broker-list spark1:9092,spark2:9092,spark3:9092 --topic WordCount

基于Direct的方式

这种方式会周期性地查询Kafka，来获得每个topic+partition的最新的offset，从而定义每个batch的offset的范围。当处理数据的job启动时，就会使用Kafka的简单consumer api来获取Kafka指定offset范围的数据。

优点：

1. 简化并行读取：如果要读取多个partition，不需要创建多个输入DStream然后对它们进行union操作。Spark会创建跟Kafka partition一样多的RDD partition，并且会并行从Kafka中读取数据。所以在Kafka partition和RDD partition之间，有一个一对一的映射关系。

2. 高性能：如果要保证零数据丢失，在基于receiver的方式中，需要开启WAL机制。这种方式其实效率低下，因为数据实际上被复制了两份，Kafka自己本身就有高可靠的机制，会对数据复制一份，而这里又会复制一份到WAL中。而基于direct的方式，不依赖Receiver，不需要开启WAL机制，只要Kafka中作了数据的复制，那么就可以通过Kafka的副本进行恢复。

3. 一次且仅一次的事务机制：
   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。

   基于direct的方式，使用kafka的简单api，Spark Streaming自己就负责追踪消费的offset，并保存在checkpoint中。Spark自己一定是同步的，因此可以保证数据是消费一次且仅消费一次

public class KafkaDirectWordCount {

	public static void main(String[] args) throws InterruptedException {

		SparkConf conf = new SparkConf().setMaster("local[*]").setAppName("KafkaDirectWordCount");

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

		HashMap<String, String> kafkaParams = new HashMap<String, String>();
		kafkaParams.put("metadata.broker.list", "spark1:9092,spark2:9092,spark3:9092");

		Set<String> topics = new HashSet<String>();
		topics.add("WordCount");

		// 定期地从kafka的topic+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
		JavaPairInputDStream<String, String> lines = KafkaUtils.createDirectStream(jssc, String.class, // key类型
				String.class, // value类型
				StringDecoder.class, // 解码器
				StringDecoder.class, kafkaParams, topics);

		lines.flatMap(x -> Arrays.asList(x._2.split(" ")).iterator()).mapToPair(s -> new Tuple2<>(s, 1)).reduceByKey((v1, v2) -> (v1 + v2)).print();

		jssc.start();
		jssc.awaitTermination();
		jssc.close();

	}
}