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:
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-streaming-kafka_2.
10
</artifactId>
<version>
1.3
.
0
</version>
</dependency>
|
如果你是使用SBT,可以这么引入:
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:
import
org.apache.spark.streaming.kafka.
_
val
kafkaStream
=
KafkaUtils.createStream(streamingContext,
[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。
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:
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:
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-streaming
_
2.10
</artifactId>
<version>
1.3
.
0
</version>
<scope>provided</scope>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core
_
2.10
</artifactId>
<version>
1.3
.
0
</version>
<scope>provided</scope>
</dependency>
|
然后使用spark-submit来启动你的应用程序。
[iteblog@ spark]$ spark-1.3.0-bin-2.6.0
/bin/spark-submit
--master yarn-cluster
--class iteblog.KafkaTest
--jars lib
/spark-streaming-kafka_2
.10-1.3.0.jar,
lib
/spark-streaming_2
.10-1.3.0.jar,
lib
/kafka_2
.10-0.8.1.1.jar,lib
/zkclient-0
.3.jar,
lib
/metrics-core-2
.2.0.jar .
/iteblog-1
.0-SNAPSHOT.jar
|
下面是一个完整的例子:
object
KafkaWordCount {
def
main(args
:
Array[String]) {
if
(args.length <
4
) {
System.err.println(
"Usage: KafkaWordCount <zkQuorum> <group> <topics> <numThreads>"
)
System.exit(
1
)
}
StreamingExamples.setStreamingLogLevels()
val
Array(zkQuorum, group, topics, numThreads)
=
args
val
sparkConf
=
new
SparkConf().setAppName(
"KafkaWordCount"
)
val
ssc
=
new
StreamingContext(sparkConf, Seconds(
2
))
ssc.checkpoint(
"checkpoint"
)
val
topicMap
=
topics.split(
","
).map((
_
,numThreads.toInt)).toMap
val
lines
=
KafkaUtils.createStream(ssc, zkQuorum, group, topicMap).map(
_
.
_
2
)
val
words
=
lines.flatMap(
_
.split(
" "
))
val
wordCounts
=
words.map(x
=
> (x,
1
L))
.reduceByKeyAndWindow(
_
+
_
,
_
-
_
, Minutes(
10
), Seconds(
2
),
2
)
wordCounts.print()
ssc.start()
ssc.awaitTermination()
}
}
|
Direct的方法
和基于Receiver接收数据不一样,这种方式定期地从Kafka的topic+partition中查询最新的偏移量,再根据定义的偏移量范围在每个batch里面处理数据。当作业需要处理的数据来临时,spark通过调用Kafka的简单消费者API读取一定范围的数据。这个特性目前还处于试验阶段,而且仅仅在Scala和Java语言中提供相应的API。
和基于Receiver方式相比,这种方式主要有一些几个优点:
(1)、简化并行。我们不需要创建多个Kafka 输入流,然后union他们。而使用directStream,Spark Streaming将会创建和Kafka分区一样的RDD分区个数,而且会从Kafka并行地读取数据,也就是说Spark分区将会和Kafka分区有一一对应的关系,这对我们来说很容易理解和使用;
(2)、高效。第一种实现零数据丢失是通过将数据预先保存在WAL中,这将会复制一遍数据,这种方式实际上很不高效,因为这导致了数据被拷贝两次:一次是被Kafka复制;另一次是写到WAL中。但是本文介绍的方法因为没有Receiver,从而消除了这个问题,所以不需要WAL日志;
(3)、恰好一次语义(Exactly-once semantics)。《Spark Streaming和Kafka整合开发指南(一)》文章中通过使用Kafka高层次的API把偏移量写入Zookeeper中,这是读取Kafka中数据的传统方法。虽然这种方法可以保证零数据丢失,但是还是存在一些情况导致数据会丢失,因为在失败情况下通过Spark Streaming读取偏移量和Zookeeper中存储的偏移量可能不一致。而本文提到的方法是通过Kafka低层次的API,并没有使用到Zookeeper,偏移量仅仅被Spark Streaming保存在Checkpoint中。这就消除了Spark Streaming和Zookeeper中偏移量的不一致,而且可以保证每个记录仅仅被Spark Streaming读取一次,即使是出现故障。
但是本方法唯一的坏处就是没有更新Zookeeper中的偏移量,所以基于Zookeeper的Kafka监控工具将会无法显示消费的状况。然而你可以通过Spark提供的API手动地将偏移量写入到Zookeeper中。如何使用呢?其实和方法一差不多
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:
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-streaming-kafka_2.
10
</artifactId>
<version>
1.3
.
0
</version>
</dependency>
|
如果你是使用SBT,可以这么引入:
libraryDependencies +=
"org.apache.spark"
%
"spark-streaming-kafka_2.10"
%
"1.3.0"
|
2、编程
在Streaming应用程序代码中,引入KafkaUtils ,并创建DStream输入流:
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])
|
在 Kafka parameters参数中,你必须指定 metadata.broker.list或者bootstrap.servers参数。在默认情况下,Spark Streaming将会使用最大的偏移量来读取Kafka每个分区的数据。如果你配置了auto.offset.reset为smallest,那么它将会从最小的偏移量开始消费。
当然,你也可以使用KafkaUtils.createDirectStream的另一个版本从任意的位置消费数据。如果你想回去每个batch中Kafka的偏移量,你可以如下操作:
directKafkaStream.foreachRDD { rdd
=
>
val
offsetRanges
=
rdd.asInstanceOf[HasOffsetRanges]
// offsetRanges.length = # of Kafka partitions being consumed
...
}
|
你可以通过这种方式来手动地更新Zookeeper里面的偏移量,使得基于Zookeeper偏移量的Kafka监控工具可以使用。
还有一点需要注意,因为这里介绍的方法没有使用到Receiver,所以Spark中关于spark.streaming.receiver.*相关的配置参数将不会对创建DStreams 有影响。我们可以使用spark.streaming.kafka.*参数进行配置。
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:
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-streaming
_
2.10
</artifactId>
<version>
1.3
.
0
</version>
<scope>provided</scope>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core
_
2.10
</artifactId>
<version>
1.3
.
0
</version>
<scope>provided</scope>
</dependency>
|
然后使用spark-submit来启动你的应用程序。