python+sparkStreaming+kafka之大数据实时流

首先需要的是环境，我安装的是spark2…1,kafka0-10,hadoop2.7,scala2.11,因为spark是Scala语言写的，所以这个必须的安装，大数据传输存储需要用到Hadoop，HDFS，所以Hadoop需要安装，streaming接受流数据源有两种大的方式，一种是文件和套接字，直接读取文件和通过套接字传输，另一种是高级API形式，可以通过额外的实用程序类获得诸如Kafka，Flume，Kinesis等，这里用kafka。可参见官方文档（在此建议kafka安装版本不要太高，太高会有很多报错），环境安装好之后还需要一个下载一个依赖包，spark-stream-kafka-0.10_2.11-2.1.0.jar，下载地址，这里2.11是Scala版本，2.1.0是spark版本，0-10是kafka版本，下载的时候要看清楚自己的版本，然后下载编译包spark-streaming-kafka-0-10-assembly_2.11-2.1.1，选择中央地址，下载地址，下载完之后两个都放到spark/jars目录下，这样依赖与环境就都配置好了。
启动Hadoop，HDFS，在根目录下输入,等待逐步启动

start-all.sh

之后启动kafka，先启动zookeeper，进入kafka安装目录输入

bin/zookeeper-server-start.sh config/zookeeper.properties

启动kafka

bin/kafka-server-start.sh config/server.properties

创建一个test主题

bin/kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 1 --partitions 1 --topic test

查看创建的主题

kafka-topics.sh --describe --zookeeper localhost:2181 --topic test

用python编码流数据处理代码，这里用两种方式
第一种套接字形式(官方例子，此方式不必启动kafka服务)

import sys

from pyspark import SparkContext