本文主要从以下几个方面介绍SparkStreaming读取Kafka的两种方式:
一、SparkStreaming简介
二、Kafka简介
三、Redis简介(可用于保存历史数据或偏移量数据)
四、SparkStreaming读取Kafka数据的两种方式
五、演示Demo
一、SparkStreaming简介
可以参考这篇文章:SparkStreaming 详解
二、Kafka简介
可以参考这篇文章:Kafka(分布式发布订阅消息系统) 简介
三、Redis简介
可以参考这篇文章:Redis简介
四、SparkStreaming读取Kafka数据的两种方式
spark streaming提供了两种获取方式,一种是利用接收器(receiver)和kafaka的高层API实现。
一种是不利用接收器,直接用kafka底层的API来实现(spark1.3以后引入)。
1、reciver链接方式(有些问题,开发中不采用这种方式)
- 用KafkaUtils.createDstream创建链接。Receiver从Kafka中获取的数据都是存储在Spark Executor的内存中的,然后Spark Streaming启动的job会去处理那些数据。
- Receiver方式是通过zookeeper来连接kafka队列,调用Kafka高阶API,offset存储在zookeeper,由Receiver维护。
- 在executor上会有receiver从kafka接收数据并存储在Spark executor中,在到了batch时间后触发job去处理接收到的数据,1个receiver占用1个core使用wal预写机制,因为需要使用hdfs等存储,因此会降低性能。
![f3d62ddee37202f97441c22cca868fe2.png](https://i-blog.csdnimg.cn/blog_migrate/5037f9a6560323dd121ca3f25452149d.jpeg)
receiver方式
基于Receiver方式存在的问题:
- 启用WAL机制,每次处理之前需要将该batch内的数据备份到checkpoint目录中,这降低了数据处理效率,同时加重了Receiver的压力;另外由于数据备份机制,会受到负载影响,负载一高就会出现延迟的风险,导致应用崩溃。
- 采用MEMORY_AND_DISK_SER降低对内存的要求,但是在一定程度上影响了计算的速度。
- 单Receiver内存。由于Receiver是属于Executor的一部分,为了提高吞吐量,提高Receiver的内存。但是在每次batch计算中,参与计算的batch并不会使用这么多内存,导致资源严重浪费。
- 提高并行度,采用多个Receiver来保存kafka的数据。Receiver读取数据是异步的,不会参与计算。如果提高了并行度来平衡吞吐量很不划算。
- Receiver和计算的Executor是异步的,在遇到网络等因素时,会导致计算出现延迟,计算队列一直在增加,而Receiver一直在接收数据,这非常容易导致程序崩溃。
- 在程序失败恢复时,有可能出现数据部分落地,但是程序失败,未更新offsets的情况,这会导致数据重复消费。
2、Direct直连方式(开发中使用的方式)
- 使用KafkaUtils.createDirectStream创建链接。这种方式定期从kafka的topic下对应的partition中查询最新偏移量,并在每个批次中根据相应的定义的偏移范围进行处理。Spark通过调用kafka简单的消费者API读取一定范围的数据。
- Direct方式是直接连接kafka分区来获取数据。从每个分区直接读取数据大大提高了并行能力Direct方式调用Kafka低阶API(底层API),offset自己存储和维护,默认由Spark维护在checkpoint中,消除了与zk不一致的情况当然也可以自己手动维护,把offset存在mysql、redis中所以基于Direct模式可以在开发中使用,且借助Direct模式的特点+手动操作可以保证数据的Exactly once 精准一次
基于Direct方式的优势:
- 简化并行读取:如果要读取多个partition,不需要创建多个输入DStream然后对他们进行union操作。Spark会创建跟Kafka partition一样多的RDD partition,并且会并行从kafka中读取数据。所以在kafka partition和RDD partition之间,有一一对应的关系。
- 高性能:如果要保证数据零丢失,在基于Receiver的方式中,需要开启WAL机制。这种方式其实效率很低,因为数据实际被复制了两份,kafka自己本身就有高可靠的机制,会对数据复制一份,而这里又会复制一份到WAL中。而基于Direct的方式,不依赖于Receiver,不需要开启WAL机制,只要kafka中做了数据的复制,那么就可以通过kafka的副本进行恢复。
- 强一致语义:基于Receiver的方式,使用kafka的高阶API来在Zookeeper中保存消费过的offset。这是消费kafka数据的传统方式。这种方式配合WAL机制,可以保证数据零丢失的高可靠性,但是却无法保证数据被处理一次且仅一次,可能会处理两次。因为Spark和Zookeeper之间可能是不同步的。基于Direct的方式,使用kafka的简单api,Spark Streaming自己就负责追踪消费的offset,并保存在checkpoint中。Spark自己一定是同步的,因此可以保证数据时消费一次且仅消费一次。
- 降低资源:Direct不需要Receiver,其申请的Executors全部参与到计算任务中;而Receiver则需要专门的Receivers来读取kafka数据且不参与计算。因此相同的资源申请,Direct能够支持更大的业务。Receiver与其他Executor是异步的,并持续不断接收数据,对于小业务量的场景还好,如果遇到大业务量时,需要提高Receiver的内存,但是参与计算的Executor并不需要那么多的内存,而Direct因为没有Receiver,而是在计算的时候读取数据,然后直接计算,所以对内存的要求很低。
- 鲁棒性更好:基于Receiver方式需要Receiver来异步持续不断的读取数据,因此遇到网络、存储负载等因素,导致实时任务出现堆积,但Receiver却还在持续读取数据,此种情况容易导致计算崩溃。Direct则没有这种顾虑,其Driver在触发batch计算任务时,才会读取数据并计算,队列出现堆积并不不会引起程序的失败。
基于Direct方式的不足:
- Direct方式需要采用checkpoint或者第三方存储来维护offset,而不是像Receiver那样,通过Zookeeper来维护offsets,提高了用户的开发成本。
- 基于Receiver方式指定topic指定consumer的消费情况均能够通过Zookeeper来监控,而Direct则没有这么便利,如果想做监控并可视化,则需要投入人力开发。
五、演示Demo
1、reciver链接方式
package xxximport org.apache.spark.SparkConfimport org.apache.spark.storage.StorageLevelimport org.apache.spark.streaming.dstream.{DStream, ReceiverInputDStream}import org.apache.spark.streaming.kafka.KafkaUtilsimport org.apache.spark.streaming.{Seconds, StreamingContext}/** * Receiver链接方式 */object KafkaWordCount { def main(args: Array[String]): Unit = { val conf = new SparkConf().setAppName("KafkaWordCount").setMaster("local[*]") val ssc = new StreamingContext(conf, Seconds(5)) val zkQuorum = "slave2:2181,slave3:2181,slave4:2181" val groupId = "g1" val topic = Map[String, Int]("test1" -> 1) //创建DStream,需要KafkaDStream val data: ReceiverInputDStream[(String, String)] = KafkaUtils.createStream(ssc, zkQuorum, groupId, topic, StorageLevel.MEMORY_AND_DISK_SER) //对数据进行处理 //Kafak的ReceiverInputDStream[(String, String)]里面装的是一个元组(key是写入的key,value是实际写入的内容) val lines: DStream[String] = data.map(_._2) //对DSteam进行操作,操作这个抽象(代理,描述),就像操作一个本地的集合一样,类似于RDD val words: DStream[String] = lines.flatMap(_.split(" ")) val wordAndOne: DStream[(String, Int)] = words.map((_, 1)) val reduced: DStream[(String, Int)] = wordAndOne.reduceByKey(_+_) //打印结果(Action) reduced.print() //启动sparksteaming程序 ssc.start() //等待优雅的退出 ssc.awaitTermination() }}
2、直连方式(用zookeeper存储偏移量)
步骤:
准备zookeeper集群存储读取到额kafka数据的每个分区的偏移量
调用KafkaUtils.createDirectStream建立直连链接
读取zookeeper集群中的已经存储的每个数据分区地偏移量,根据该偏移量继续读取数据。或者从头(当前)位置读取数据
调用kafkaStream.transform遍历每个RDD,获取该RDD对应数据的偏移量
对RDD进行操作,并将zookeeper中保存的数据偏移量进行更新
package sparkStreamingAndKafkaimport kafka.common.TopicAndPartitionimport kafka.message.MessageAndMetadataimport kafka.serializer.StringDecoderimport kafka.utils.{ZKGroupTopicDirs, ZkUtils}import org.I0Itec.zkclient.ZkClientimport org.apache.spark.SparkConfimport org.apache.spark.streaming.dstream.{DStream, InputDStream}import org.apache.spark.streaming.kafka.{HasOffsetRanges, KafkaUtils, OffsetRange}import org.apache.spark.streaming.{Duration, Seconds, StreamingContext}/** * 直连方式,用zookeeper存偏移量 */object KafkaDirection1 { def main(args: Array[String]): Unit = { val conf: SparkConf = new SparkConf().setAppName("kafkaDirection").setMaster("local[*]") val ssc = new StreamingContext(conf, Seconds(3)) val group = "group1" // 分组 val topic = "wordCount" // topic val brokerList = "slave1:9092,slave2:9092,slave3:9092" // broker集群,sparkStream的Task直接连到kafka分区上 val zkQuorum = "slave2:2181,slave3:2181,slave4:2181" // zookeeper集群,用于记录偏移量(也可以选择MySQL、Redis等记录偏移量) val topics = Set(topic) // 创建stream时使用的topic名字集合,sparkStreaming可同时消费多个topic val topicDirs = new ZKGroupTopicDirs(group, topic) // 创建一个ZKGroupTopicDirs对象,其实就是指定往zookeeper中写入数据的目录,该目录用于保存偏移量 val zkTopicPath: String = topicDirs.consumerOffsetDir // 获取zookeeper中的路径"/group1/offsets/wordCount/" // 准备kafka参数 val kafkaParams = Map( "metadata.broker.list" -> brokerList, "group.id" -> group, "auto.offset.reset" -> kafka.api.OffsetRequest.SmallestTimeString // 偏移量最开始的时候从哪读,SmallestTimeString表示从头开始读, // LargestTimeString表示从启动时刻产生的数据读 ) val zkClient = new ZkClient(zkQuorum) // zookeeper的客户端,可以从zk中读取偏移量数据,并更新偏移量 val numOfzkChildren: Int = zkClient.countChildren(zkTopicPath) // 检查该路径下是否保存有数据(偏移量), // 例如:/group1/offsets/wordCount/2/1003 表示2号分区有偏移量1003 var kafkaStream: InputDStream[(String, String)] = null // 如果zookeeper中保存有偏移量offfset,则利用这个偏移量作为kafkaStream的起始位置 var fromOffsets: Map[TopicAndPartition, Long] = Map() if (numOfzkChildren > 0){ // 如果保存过offset for (i 1003 fromOffsets += (tp -> fromOffset.toLong) // 将topic不同分区所对应的偏移量放入集合中 } //Key: kafka的key values: "hello tom hello jerry" //这个会将 kafka 的消息进行 transform,最终 kafka 的数据都会变成 (kafka的key, message) 这样的 tuple val messageHandler = (mmd: MessageAndMetadata[String, String]) => (mmd.key(), mmd.message()) // 读数据的规则 //通过KafkaUtils创建直连的DStream(fromOffsets参数的作用是:按照前面计算好了的偏移量继续消费数据) // 泛型参数说明: //[String, String, StringDecoder, StringDecoder, (String, String)] // key value key的解码方式 value的解码方式 处理完成后Dstream中的数据类型 kafkaStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder, (String, String)](ssc, kafkaParams, fromOffsets, messageHandler) }else{ // 没有保存过offset,相当于从头读 //如果未保存,根据 kafkaParam 的配置使用最新(largest)或者最旧的(smallest) offset //[String, String, StringDecoder, StringDecoder] // key value key的解码方式 value的解码方式 kafkaStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](ssc, kafkaParams, topics) } //偏移量的范围 var offsetRanges = Array[OffsetRange]() //从kafka读取的消息,DStream的Transform方法可以将当前批次的RDD获取出来 //该transform方法计算获取到当前批次RDD,然后将RDD的偏移量取出来,然后在将RDD返回到DStream val transform: DStream[(String, String)] = kafkaStream.transform { rdd => //得到该 RDD对应 kafka 的消息的 offset //该RDD是一个KafkaRDD,可以获得它的偏移量的范围 offsetRanges = rdd.asInstanceOf[HasOffsetRanges].offsetRanges // 偏移量范围 rdd // 不对RDD进行操作,再放回DStream } // DStream 是RDD的工厂,每隔一段时间产生一个RDD val messages: DStream[String] = transform.map(_._2) //依次迭代DStream中的RDD messages.foreachRDD { rdd => // foreachRDD,每隔一段时间产生一个RDD rdd.foreachPartition(partition => // foreachPartition 每个分区一个连接链接 partition.foreach(x => { // foreach 分区中的每条数据 println(x) }) ) // 更新偏移量offset for (o
但是,在这个方案中,为了获取偏移量需要遍历RDD,后续又要遍历RDD操作RDD,代码冗余
3、直连方式(获取数据偏移量的同时处理数据)
package xxximport kafka.common.TopicAndPartitionimport kafka.message.MessageAndMetadataimport kafka.serializer.StringDecoderimport kafka.utils.{ZKGroupTopicDirs, ZkUtils}import org.I0Itec.zkclient.ZkClientimport org.apache.spark.SparkConfimport org.apache.spark.rdd.RDDimport org.apache.spark.streaming.{Seconds, StreamingContext}import org.apache.spark.streaming.dstream.InputDStreamimport org.apache.spark.streaming.kafka.{HasOffsetRanges, KafkaUtils, OffsetRange}/** * 直连方式,用zookeeper存偏移量(获取偏移量的同时,对数据进行操作) */object kafkaDirection2 { def main(args: Array[String]): Unit = { val conf: SparkConf = new SparkConf().setAppName("kafkaDirection").setMaster("local[*]") val ssc = new StreamingContext(conf, Seconds(3)) val group = "group3" // 分组 val topic = "wordCount" // topic val brokerList = "slave1:9092,slave2:9092,slave3:9092" // broker集群,sparkStream的Task直接连到kafka分区上 val zkQuorum = "slave2:2181,slave3:2181,slave4:2181" // zookeeper集群,用于记录偏移量(也可以选择MySQL、Redis等记录偏移量) val topics = Set(topic) // 创建stream时使用的topic名字集合,sparkStreaming可同时消费多个topic val topicDirs = new ZKGroupTopicDirs(group, topic) // 创建一个ZKGroupTopicDirs对象,其实就是指定往zookeeper中写入数据的目录,该目录用于保存偏移量 val zkTopicPath: String = topicDirs.consumerOffsetDir // 获取zookeeper中的路径"/group1/offsets/wordCount/" // 准备kafka参数 val kafkaParams = Map( "metadata.broker.list" -> brokerList, "group.id" -> group, "auto.offset.reset" -> kafka.api.OffsetRequest.SmallestTimeString // 偏移量最开始的时候从哪读,SmallestTimeString表示从头开始读, // LargestTimeString表示从启动时刻产生的数据读 ) val zkClient = new ZkClient(zkQuorum) // zookeeper的客户端,可以从zk中读取偏移量数据,并更新偏移量 val numOfzkChildren: Int = zkClient.countChildren(zkTopicPath) // 检查该路径下是否保存有数据(偏移量), // 例如:/group1/offsets/wordCount/2/1003 表示2号分区有偏移量1003 var kafkaStream: InputDStream[(String, String)] = null // 如果zookeeper中保存有偏移量offfset,则利用这个偏移量作为kafkaStream的起始位置 var fromOffsets: Map[TopicAndPartition, Long] = Map() if (numOfzkChildren > 0){ // 如果保存过offset for (i 1003 fromOffsets += (tp -> fromOffset.toLong) // 将topic不同分区所对应的偏移量放入集合中 } //Key: kafka的key values: "hello tom hello jerry" //这个会将 kafka 的消息进行 transform,最终 kafka 的数据都会变成 (kafka的key, message) 这样的 tuple val messageHandler = (mmd: MessageAndMetadata[String, String]) => (mmd.key(), mmd.message()) // 读数据的规则 //通过KafkaUtils创建直连的DStream(fromOffsets参数的作用是:按照前面计算好了的偏移量继续消费数据) // 泛型参数说明: //[String, String, StringDecoder, StringDecoder, (String, String)] // key value key的解码方式 value的解码方式 处理完成后Dstream中的数据类型 kafkaStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder, (String, String)](ssc, kafkaParams, fromOffsets, messageHandler) }else{ // 没有保存过offset,相当于从头读 //如果未保存,根据 kafkaParam 的配置使用最新(largest)或者最旧的(smallest) offset //[String, String, StringDecoder, StringDecoder] // key value key的解码方式 value的解码方式 kafkaStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](ssc, kafkaParams, topics) } //偏移量的范围 var offsetRanges = Array[OffsetRange]() // 获取偏移量的同时处理数据 // 直连方式只有在kakaDstream中的RDD才能获取偏移量,那么就不能调用DStream的Transformation // 所以只能在KafkaStream中调用foreachRDD,获取RDD的偏移量,然后就是对RDD进行操作了 //依次迭代DStream中的RDD // 如果使用直连方式进行累加数据,就需要在外部的数据库中进行累加(用kay-value的内存数据库,NoSQL型数据库 Redis) kafkaStream.foreachRDD { kafkaRDD =>{ // 只有kafkaRDD可以强转成HashOffSetRanges,并获取偏移量 val offsetRanges: Array[OffsetRange] = kafkaRDD.asInstanceOf[HasOffsetRanges].offsetRanges val lines: RDD[String] = kafkaRDD.map(_._2) val words: RDD[String] = lines.flatMap(u => { u.split(" ") }) val wordsAndOne: RDD[(String, Int)] = words.map(word => { (word, 1) }) val reduced: RDD[(String, Int)] = wordsAndOne.reduceByKey((a, b) => { a + b }) reduced.foreach(println) // 更新偏移量offset for (o
但是该方案,无法获取历史数据。这里统计到的wordcount只是某一时间片内对应数据的统计结果,并不包含历史数据。
4、直连方式,zookeeper存储偏移量数据,redis存储历史数据。
redis的连接池:
package xxximport redis.clients.jedis.{Jedis, JedisPool, JedisPoolConfig}object JedisConnectePool { val config = new JedisPoolConfig() //最大连接数, config.setMaxTotal(20) //最大空闲连接数, config.setMaxIdle(10) //当调用borrow Object方法时,是否进行有效性检查 --> config.setTestOnBorrow(true) //10000代表超时时间(10秒) val pool = new JedisPool(config, "192.168.247.8", 6379, 10000, "123") def getConnection():Jedis={ pool.getResource }}
package xxximport jedis.JedisConnectionPoolimport kafka.common.TopicAndPartitionimport kafka.message.MessageAndMetadataimport kafka.serializer.StringDecoderimport kafka.utils.{ZKGroupTopicDirs, ZkUtils}import org.I0Itec.zkclient.ZkClientimport org.apache.spark.SparkConfimport org.apache.spark.rdd.RDDimport org.apache.spark.streaming.{Seconds, StreamingContext}import org.apache.spark.streaming.dstream.{DStream, InputDStream}import org.apache.spark.streaming.kafka.{HasOffsetRanges, KafkaUtils, OffsetRange}import redis.clients.jedis.Jedis/** * 直连方式,在获取RDD偏移量的同时操作偏移量,并且能够wordcount统计时包含历史统计数据 */object kafkaDirection3 { def main(args: Array[String]): Unit = { val conf: SparkConf = new SparkConf().setAppName("kafkaDirection").setMaster("local[*]") val ssc = new StreamingContext(conf, Seconds(3)) val group = "group2" // 分组 val topic = "wordCount" // topic val brokerList = "slave1:9092,slave2:9092,slave3:9092" // broker集群,sparkStream的Task直接连到kafka分区上 val zkQuorum = "slave2:2181,slave3:2181,slave4:2181" // zookeeper集群,用于记录偏移量(也可以选择MySQL、Redis等记录偏移量) val topics = Set(topic) // 创建stream时使用的topic名字集合,sparkStreaming可同时消费多个topic val topicDirs = new ZKGroupTopicDirs(group, topic) // 创建一个ZKGroupTopicDirs对象,其实就是指定往zookeeper中写入数据的目录,该目录用于保存偏移量 val zkTopicPath: String = topicDirs.consumerOffsetDir // 获取zookeeper中的路径"/group1/offsets/wordCount/" // 准备kafka参数 val kafkaParams = Map( "metadata.broker.list" -> brokerList, "group.id" -> group, "auto.offset.reset" -> kafka.api.OffsetRequest.SmallestTimeString // 偏移量最开始的时候从哪读,SmallestTimeString表示从头开始读, // LargestTimeString表示从启动时刻产生的数据读 ) val zkClient = new ZkClient(zkQuorum) // zookeeper的客户端,可以从zk中读取偏移量数据,并更新偏移量 val numOfzkChildren: Int = zkClient.countChildren(zkTopicPath) // 检查该路径下是否保存有数据(偏移量), // 例如:/group1/offsets/wordCount/2/1003 表示2号分区有偏移量1003 var kafkaStream: InputDStream[(String, String)] = null // 如果zookeeper中保存有偏移量offfset,则利用这个偏移量作为kafkaStream的起始位置 var fromOffsets: Map[TopicAndPartition, Long] = Map() if (numOfzkChildren > 0){ // 如果保存过offset for (i 1003 fromOffsets += (tp -> fromOffset.toLong) // 将topic不同分区所对应的偏移量放入集合中 } //Key: kafka的key values: "hello tom hello jerry" //这个会将 kafka 的消息进行 transform,最终 kafka 的数据都会变成 (kafka的key, message) 这样的 tuple val messageHandler = (mmd: MessageAndMetadata[String, String]) => (mmd.key(), mmd.message()) // 读数据的规则 //通过KafkaUtils创建直连的DStream(fromOffsets参数的作用是:按照前面计算好了的偏移量继续消费数据) // 泛型参数说明: //[String, String, StringDecoder, StringDecoder, (String, String)] // key value key的解码方式 value的解码方式 处理完成后Dstream中的数据类型 kafkaStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder, (String, String)](ssc, kafkaParams, fromOffsets, messageHandler) }else{ // 没有保存过offset,相当于从头读 //如果未保存,根据 kafkaParam 的配置使用最新(largest)或者最旧的(smallest) offset //[String, String, StringDecoder, StringDecoder] // key value key的解码方式 value的解码方式 kafkaStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](ssc, kafkaParams, topics) } //偏移量的范围 var offsetRanges = Array[OffsetRange]() // 直连方式只有在kakaDstream中的RDD才能获取偏移量,那么就不能调用DStream的Transformation // 所以只能在KafkaStream中调用foreachRDD,获取RDD的偏移量,然后就是对RDD进行操作了 //依次迭代DStream中的RDD // 如果使用直连方式进行累加数据,就需要在外部的数据库中进行累加(用kay-value的内存数据库,NoSQL型数据库 Redis) kafkaStream.foreachRDD { kafkaRDD =>{ // 只有kafkaRDD可以强转成HashOffSetRanges,并获取偏移量 val offsetRanges: Array[OffsetRange] = kafkaRDD.asInstanceOf[HasOffsetRanges].offsetRanges val lines: RDD[String] = kafkaRDD.map(_._2) val words: RDD[String] = lines.flatMap(u => { u.split(" ") }) val wordsAndOne: RDD[(String, Int)] = words.map(word => { (word, 1) }) val reduced: RDD[(String, Int)] = wordsAndOne.reduceByKey((a, b) => { a + b }) val stated: RDD[(String, Int)] = reduced.map(u => { // 获取redis存放的历史统计数据 val conn: Jedis = JedisConnectionPool.getConnection() val str: String = conn.get(u._1) var num = 0 if(str != null){ num = str.toInt } val value: Int = u._2 val value1: Int = num+value // 更新redis中的统计数据 conn.set(u._1, value1.toString) conn.close() (u._1, value1) }) stated.foreach(println) // 更新偏移量offset for (o