Spark Streaming和Kafka整合开发指南(一)

Apache Kafka是一个分布式的消息发布-订阅系统。可以说，任何实时大数据处理工具缺少与Kafka整合都是不完整的。本文将介绍如何使用Spark Streaming从Kafka中接收数据，这里将会介绍两种方法：（1）、使用Receivers和Kafka高层次的API；（2）、使用Direct API，这是使用低层次的KafkaAPI，并没有使用到Receivers，是Spark 1.3.0中开始引入的。这两种方法有不同的编程模型，性能特点和语义担保。下文将会一一介绍。

基于Receivers的方法

　　这个方法使用了Receivers来接收数据。Receivers的实现使用到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，然后由Spark Streaming启动的Job来处理这些数据。

　　然而，在默认的配置下，这种方法在失败的情况下会丢失数据，为了保证零数据丢失，你可以在Spark Streaming中使用WAL日志，这是在Spark 1.2.0才引入的功能，这使得我们可以将接收到的数据保存到WAL中（WAL日志可以存储在HDFS上），所以在失败的时候，我们可以从WAL中恢复，而不至于丢失数据。

　　下面，我将介绍如何使用这种方法来接收数据。

　　1、引入依赖。

　　对于Scala和Java项目，你可以在你的pom.xml文件引入以下依赖：

1	<dependency>

2	<groupId>org.apache.spark</groupId>

3	<artifactId>spark-streaming-kafka_2.10</artifactId>

4	<version>1.3.0</version>

5	</dependency>

　　如果你是使用SBT，可以这么引入：

1	libraryDependencies += "org.apache.spark" % "spark-streaming-kafka_2.10" % "1.3.0"

　　2、编程

　　在Streaming程序中，引入KafkaUtils，并创建一个输入DStream：

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

2

3	val kafkaStream =KafkaUtils.createStream(streamingContext,

4	[ZK quorum], [consumer group id], [per-topic number of Kafka partitions to consume])

　　在创建DStream的时候，你也可以指定数据的Key和Value类型，并指定相应的解码类。

　　 需要注意的是：
　　1、Kafka中Topic的分区和Spark Streaming生成的RDD中分区不是一个概念。所以，在 KafkaUtils.createStream()增加特定主题分区数仅仅是增加一个receiver中消费Topic的线程数。并不增加Spark并行处理数据的数量；

　　2、对于不同的Group和tpoic我们可以使用多个receivers创建不同的DStreams来并行接收数据；

　　3、如果你启用了WAL，这些接收到的数据将会被持久化到日志中，因此，我们需要将storage level 设置为StorageLevel.MEMORY_AND_DISK_SER ,也就是：

1	KafkaUtils.createStream(..., StorageLevel.MEMORY_AND_DISK_SER)

　　3、部署

　　对应任何的Spark 应用，我们都是用spark-submit来启动你的应用程序，对于Scala和Java用户，如果你使用的是SBT或者是Maven，你可以将spark-streaming-kafka_2.10及其依赖打包进应用程序的Jar文件中，并确保spark-core_2.10和 spark-streaming_2.10标记为provided，因为它们在Spark 安装包中已经存在：

01	<dependency>

02	<groupId>org.apache.spark</groupId>

03	<artifactId>spark-streaming_2.10</artifactId>

04	<version>1.3.0</version>

05	<scope>provided</scope>

06	</dependency>

07

08	<dependency>

09	<groupId>org.apache.spark</groupId>

10	<artifactId>spark-core_2.10</artifactId>

11	<version>1.3.0</version>

12	<scope>provided</scope>

13	</dependency>

然后使用spark-submit来启动你的应用程序。

　　当然，你也可以不在应用程序Jar文件中打包spark-streaming-kafka_2.10及其依赖，我们可以在spark-submit后面加上--jars参数也可以运行你的程序：

1	[iteblog@ spark]$ spark-1.3.0-bin-2.6.0/bin/spark-submit  --master yarn-cluster

2	--class iteblog.KafkaTest

3	--jars lib/spark-streaming-kafka_2.10-1.3.0.jar,

4	lib/spark-streaming_2.10-1.3.0.jar,

5	lib/kafka_2.10-0.8.1.1.jar,lib/zkclient-0.3.jar,

6	lib/metrics-core-2.2.0.jar ./iteblog-1.0-SNAPSHOT.jar

下面是一个完整的例子：

查看源代码

打印 帮助

01	object KafkaWordCount {

02	def main(args: Array[String]) {

03	if (args.length < 4) {

04	System.err.println("Usage: KafkaWordCount <zkQuorum> <group> <topics> <numThreads>")

05	System.exit(1)

06

}

07

08	StreamingExamples.setStreamingLogLevels()

09

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

11	val sparkConf = new SparkConf().setAppName("KafkaWordCount")

12	val ssc =  new StreamingContext(sparkConf, Seconds(2))

13	ssc.checkpoint("checkpoint")

14

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

16	val lines = KafkaUtils.createStream(ssc, zkQuorum, group, topicMap).map(_._2)

17	val words = lines.flatMap(_.split(" "))

18	val wordCounts = words.map(x => (x, 1L))

19	.reduceByKeyAndWindow(_ + _, _ - _, Minutes(10), Seconds(2), 2)

20	wordCounts.print()

21

22	ssc.start()

23	ssc.awaitTermination()

24

}

25

}

尊重原创，转载请注明： 转载自过往记忆（http://www.iteblog.com/）
本文链接地址: 《Spark Streaming和Kafka整合开发指南(一)》（http://www.iteblog.com/archives/1322）