spark消费kafka产生数据堆积怎么处理_SparkStreaming读取Kafka的两种方式

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。

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