Spark Streaming + kafka

方法一 createStream基于Receiver

　　这种方法基于Receiver来接收数据，使用kafka高级自定义API实现。和所有的receivers一样，这种接收方式通过Receiver从kafka接收数据存储到Spark executors节点，然后运行job通过Spark Streaming处理数据
　　然而，默认配置下，这种方法在执行失败时会丢失数据（查看Receiver可靠性）。为保证零数据丢失，你必须在SparkStreaming中额外启用Write Ahead Logs，同步地把所有接收到的kafka数据存储到位于分布式系统（e.g HDFS）上的Write Ahead Log里面， 来保证所有的数据在失败后能够恢复，可以在streaming程序指导开发模块中查看更多关于Write Ahead Log的细节

接下来，我们讨论如何使用：

1. 链接：在使用SBT/Maven项目的scala/java应用程序中引入包

   groupId = org.apache.spark
   artifactId = spark-streaming-kafka_2.10
   version = 1.3.1

2. 程序：在streaming应用程序代码中，像下面一样导入KafkaUtils和创建一个输入流DStream

   import org.apache.spark.streaming.kafka._
   val kafkaStream= KafkaUtils.createStream(streamingContext,
   　[ZK quorum], [consumer group id], [per-topic number of　Kafka partitions to consume])

   要点提示：

   • Kafka 中Topic分区和Spark Streaming中RDDS分区没有任何关系，所以在KafkaUtils.createStream() 中增加分区数仅仅只是增加一个Receiver里该topic下消费数据的线程数，而不会增加Spark处理数据的并行数。

   • 能够用不同的group和topic来创建多个Kafka输入流DStream，用多个Receiver并行的接收数据

   • 如果你已经启用Write Ahead Log（e.g HDFS上），接收的数据已经被复制到log中。此后，输入流以StoragelLevel.MEMORY_AND_DISK_SER的优先级来存储

3. 开发：所有的Spark应用程序中，spark-submit被用来提交运行你的程序。然而，有一些小细节会不同于Scala/Java/Python程序
   

   在Scala和Java程序中，如果你使用SBT或者Maven来管理项目。确保spark-streaming-kafka_2.10 和它的依赖包，spark-core_2.10 以及 spark-streaming_2.10已经添加到了程序JAR包中。然后可以使用spark-streaming_2.10来运行程序

方法二 creatDirectStream直接访问 (No Receivers)

在Spark1.3中介绍了一种新的不用Receiver的直接访问方法来保证端到端的数据可靠性。不使用Receiver来接收数据，这种方法会定期的查询Kafka上每个topic和partition最近的offsets，根据自定义的offset范围来分批处理数据。当jobs处理程序运行，会调用Kafka的用来读取自定义offset范围的API。这个新特性仅仅在Spark1.3的Scala和Java及以后版本支持。

这个方法相比基于Receiver的方法一有以下优点：

• 简化并行：不需要创建多个kafka输入流然后union他们。在直接访问方法中，Spark Streaming会创建和Kafka分区一样多的RDD分区，实现并行从Kafka读取数据。在Kafka和RDD分区实现一对一映射，有助于理解和一致性

• 效率更高：前一种方法中为了防止数据丢失，会请求将数据存储到Write Ahead Log当中，会产生数据复制。实际上，当数据复制两次，一次是Kafka，一次是Write Ahead Log是相当无效率的。第二种方法因为没有Receiver，因此也不需要Write Ahead Logs，解决了这个问题。

• 一次语义：第一种方法中使用Kafka的高级API来存储在Zookerper里定义的offsets。这种方式在失败后有可能会重复读取数据。这是由于Spark Streaming实际接收的数据和通过Zookeeper追踪的offsets不一致。因此，第二种方法中，我们使用简单的Kafka API而没有使用Zookeeper和offsets追踪，这样消除了Spark Streaming和Zookeeper/Kafka之间的不连续。每条记录，即使是失败后也只能被读取一次。

如何使用：

1. 链接：这个方法现在仅仅只支持Scala/Java程序。在你的SBT/Maven项目配置文件中，引入如下包

   groupId = org.apache.spark
   artifactId = spark-streaming-kafka_2.10
   version = 1.3.1

2. 编码：在代码中导入KafkaUtils，创建一个DStream如下

   import org.apache.spark.streaming.kafka._
   val directKafkaStream = KafkaUtils.createDirectStream[
       [key class], [value class], 
       [key decoder class], [value decoder class]]
       (streamingContext, [map of Kafka parameters], [set of topics to consume])
   

   Kafka parameters，你需要指定metadata.broker.list 或bootstrap.servers。默认情况下，会从每个Kafka分区最近的offset开始读取，如果你在Kafka parameter中设置 auto.offset.reset=smallest，就会从最小的offset开始读取

   你也可以向KafkaUtils.createDirectStream传入其他参数，来从任意的offset开始读取。而且，如果你想自定义消费的offsets，你可以如下：

   directKafkaStream.foreachRDD { rdd =>
   val offsetRanges = rdd.asInstanceOf[HasOffsetRanges]
   // offsetRanges.length = # of Kafka partitions being consumed
   …
   }

3. 开发: 和前一种方法一样

更多Spark知识分享请关注我的新blog
https://hywelzhang.github.io/