Spark Streaming处理kafka的数据落地HDFS
背景
生产上项目的数据从上游kafka topic下发过来,经过spark Streaming简单清洗处理后,下发到下一个kafka topic中,目前需要将清洗处理好的数据,按小时分区落地到HDFS上。
要求,如果当前落地HDFS的程序断了,能按照消息下发kafka topic 的时间进行分区。
实现思路
1:在下发的kafka topic中加入一个consumer group专门用于落地HDFS的数据。
2:在spark streaming中使用spark sql将数据写入HDFS上,并按topic下发kafka的时间分区。
3:写入后Hive需要能查到数据
4: 需要适当减小小文件的数量,避免namenode压力过大。
代码
需要将hive-site.xml放入resource目录下。
如果是将数据落HDFS需要跨集群,则需要加入core-site.xml和hdfs-site.xml文件
val messages = KafkaUtils.createDirectStream[String, String](
sparkStreaming,
PreferConsistent,
Subscribe[String, String](topics, kafkaParams)
)
messages.foreachRDD{rdd=> {
val spark = SparkSessionSingleton.