kafka学习(4)之scala实现消费者和生产者

需要注意的是在ScalaIde中如果创建maven工程的话还需要添加Scala环境
在这里插入图片描述
添加依赖

<dependencies>
	  <dependency>
			<groupId>org.apache.kafka</groupId>
			<artifactId>kafka-clients</artifactId>
			<version>2.4.0</version>
		</dependency>
  </dependencies>

生产者

import java.util.Properties
import org.apache.kafka.clients.producer.ProducerConfig
import org.apache.kafka.clients.producer.KafkaProducer
import org.apache.kafka.clients.producer.ProducerRecord
object MyProducer {
  def main(args: Array[String]): Unit = {
    //创建producer
    val properties=new Properties();
    properties.setProperty(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, "bigdata111:9092,bigdata111:9093");
    //设置序列化方式
    properties.setProperty(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, "org.apache.kafka.common.serialization.StringSerializer")
    properties.setProperty(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, "org.apache.kafka.common.serialization.StringSerializer")
    val producer=new KafkaProducer[String,String](properties)
    var i=10
    while (i>0) {
      var record=new ProducerRecord("mytopic1", "Scala_Key"+i, "Scale_value"+i)
      producer.send(record)
      i-=1
      Thread.sleep(1000)
    }
  }
}

消费者

import java.time.Duration
import java.util.Properties
import org.apache.kafka.clients.consumer.ConsumerConfig
import org.apache.kafka.clients.consumer.KafkaConsumer
import java.util.Arrays
object MyConsumer {
  def main(args: Array[String]): Unit = {
    //创建consumer
    val properties=new Properties();
    properties.setProperty(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, "bigdata111:9092,bigdata111:9093");
    //设置序列化方式
    properties.setProperty(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG, "org.apache.kafka.common.serialization.StringDeserializer")
    properties.setProperty(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG, "org.apache.kafka.common.serialization.StringDeserializer")
    //设置组
    properties.setProperty(ConsumerConfig.GROUP_ID_CONFIG, "group1")
    val consumer=new KafkaConsumer[String,String](properties)
    consumer.subscribe(Arrays.asList("mytopic1"))
    while (true) {
      val consumerRecords=consumer.poll(Duration.ofSeconds(2))
      var records=consumerRecords.iterator()
      while (records.hasNext()) {
         val record=records.next()
         println("value_"+record.value())
      }
    }
  }
}
  • 0
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
以下是Scala代码实现Flink连接Kafka: ```Scala import org.apache.flink.api.common.serialization.SimpleStringSchema import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment import org.apache.flink.streaming.connectors.kafka.{FlinkKafkaConsumer, FlinkKafkaProducer} import org.apache.flink.streaming.util.serialization.KeyedSerializationSchema object FlinkKafkaExample { def main(args: Array[String]): Unit = { val env = StreamExecutionEnvironment.getExecutionEnvironment //设置Kafka相关参数 val kafkaProps = new Properties kafkaProps.setProperty("bootstrap.servers", "localhost:9092") kafkaProps.setProperty("group.id", "test") //创建Kafka source val kafkaSource = new FlinkKafkaConsumer[String]( "topic1", new SimpleStringSchema, kafkaProps ) //创建Kafka sink val kafkaSink = new FlinkKafkaProducer[String]( "topic2", new KeyedSerializationSchema[String] { override def serializeKey(element: String): Array[Byte] = null override def serializeValue(element: String): Array[Byte] = element.getBytes("UTF-8") override def getTargetTopic(element: String): String = null }, kafkaProps ) //读取Kafka数据 val stream = env.addSource(kafkaSource) //处理数据 val processedStream = stream.map(x => x.toLowerCase()) //将数据写入Kafka processedStream.addSink(kafkaSink) env.execute("Flink Kafka Example") } } ``` 代码解释: - 首先,我们需要获取 `StreamExecutionEnvironment` 对象。 - 然后,我们需要设置 Kafka 相关参数。这些参数包括 `bootstrap.servers`(Kafka 服务器的地址)、`group.id`(消费者组 ID)等。 - 接下来,我们需要创建一个 Kafka 消费者 `FlinkKafkaConsumer` 和一个 Kafka 生产者 `FlinkKafkaProducer`。需要注意的是,在这里我们使用了 `SimpleStringSchema` 作为反序列化器,它可以将 Kafka 中的字符串数据直接转化为 Flink 中的字符串类型。 - 然后,我们创建一个流 `stream`,通过 `addSource` 方法从 Kafka 中读取数据。 - 接下来,我们对读取到的数据进行处理。在这个例子中,我们简单地将所有字母转换为小写。 - 最后,我们把处理后的数据写入 Kafka。使用 `addSink` 方法,将数据流连接到 Kafka 生产者上。 - 最后,我们通过 `env.execute()` 方法启动任务。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

枣泥馅

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值