sparkstreaming 从mysql读取数据_超详细！一文详解 SparkStreaming 如何整合 Kafka！附代码可实践...

来源 | Alice菌

责编 | Carol

封图 | CSDN 下载于视觉中国

出品 | CSDN(ID:CSDNnews)

相信很多小伙伴已经接触过 SparkStreaming 了，理论就不讲太多了，今天的内容主要是为大家带来的是 SparkStreaming 整合 Kafka 的教程。

文中含代码，感兴趣的朋友可以复制动手试试！

Kafka回顾

正式开始之前，先让我们来对Kafka回顾一波。

• 核心概念图解

Broker：安装Kafka服务的机器就是一个broker

Producer：消息的生产者，负责将数据写入到broker中(push)Consumer：消息的消费者，负责从kafka中拉取数据(pull)，老版本的消费者需要依赖zk，新版本的不需要Topic: 主题，相当于是数据的一个分类，不同topic存放不同业务的数据 –主题:区分业务Replication：副本，数据保存多少份(保证数据不丢失) –副本:数据安全Partition：分区，是一个物理的分区,一个分区就是一个文件,一个Topic可以有1~n个分区,每个分区都有自己的副本 –分区:并发读写Consumer Group：消费者组，一个topic可以有多个消费者/组同时消费，多个消费者如果在一个消费者组中，那么他们不能重复消费数据 –消费者组:提高消费者消费速度、方便统一管理注意[1]：一个Topic可以被多个消费者或者组订阅，一个消费者/组也可以订阅多个主题注意[2]：读数据只能从Leader读， 写数据也只能往Leader写，Follower会从Leader那里同步数据过来做副本！！！

• 常用命令

启动kafka

/export/servers/kafka/bin/kafka-server-start.sh -daemon 
/export/servers/kafka/config/server.properties

停止kafka

/export/servers/kafka/bin/kafka-server-stop.sh

查看topic信息

/export/servers/kafka/bin/kafka-topics.sh --list --zookeeper node01:2181

创建topic

/export/servers/kafka/bin/kafka-topics.sh --create --zookeeper node01:2181 --replication-factor 3 --partitions 3 --topic test

查看某个topic信息

/export/servers/kafka/bin/kafka-topics.sh --describe --zookeeper node01:2181 --topic test

删除topic

/export/servers/kafka/bin/kafka-topics.sh --zookeeper node01:2181 --delete --topic test

启动生产者–控制台的生产者一般用于测试

/export/servers/kafka/bin/kafka-console-producer.sh --broker-list node01:9092 --topic spark_kafka

启动消费者–控制台的消费者一般用于测试

/export/servers/kafka/bin/kafka-console-consumer.sh --zookeeper node01:2181 --topic spark_kafka--from-beginning

消费者连接到borker的地址

/export/servers/kafka/bin/kafka-console-consumer.sh --bootstrap-server node01:9092,node02:9092,node03:9092 --topic spark_kafka --from-beginning 

整合kafka两种模式说明

这同时也是一个面试题的热点。

开发中我们经常会利用SparkStreaming实时地读取kafka中的数据然后进行处理，在spark1.3版本后，kafkaUtils里面提供了两种创建DStream的方法:

1、Receiver接收方式：

• KafkaUtils.createDstream(开发中不用，了解即可，但是面试可能会问)。

• Receiver作为常驻的Task运行在Executor等待数据，但是一个Receiver效率低，需要开启多个，再手动合并数据(union)，再进行处理，很麻烦

• Receiver哪台机器挂了，可能会丢失数据，所以需要开启WAL(预写日志)保证数据安全，那么效率又会降低!

• 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。

• spark在消费的时候为了保证数据不丢也会在Checkpoint中存一份offset，可能会出现数据不一致

• 所以不管从何种角度来说，Receiver模式都不适合在开发中使用了,已经淘汰了

2、Direct直连方式

• KafkaUtils.createDirectStream(开发中使用，要求掌握)
• 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

总结：

• Receiver接收方式

1. 多个Receiver接受数据效率高，但有丢失数据的风险

2. 开启日志(WAL)可防止数据丢失，但写两遍数据效率低。

3. Zookeeper维护offset有重复消费数据可能。

4. 使用高层次的API

• Direct直连方式

1. 不使用Receiver，直接到kafka分区中读取数据

2. 不使用日志(WAL)机制

3. Spark自己维护offset

4. 使用低层次的API

扩展：关于消息语义

注意：

开发中SparkStreaming和kafka集成有两个版本：0.8及0.10+

0.8版本有Receiver和Direct模式(但是0.8版本生产环境问题较多，在Spark2.3之后不支持0.8版本了)。

0.10以后只保留了direct模式(Reveiver模式不适合生产环境)，并且0.10版本API有变化(更加强大)

结论：

我们学习和开发都直接使用0.10版本中的direct模式，但是关于Receiver和Direct的区别面试的时候要能够答得上来

spark-streaming-kafka-0-8(了解)

1.Receiver

KafkaUtils.createDstream使用了receivers来接收数据，利用的是Kafka高层次的消费者api，偏移量由Receiver维护在zk中，对于所有的receivers接收到的数据将会保存在Spark executors中，然后通过Spark Streaming启动job来处理这些数据，默认会丢失，可启用WAL日志，它同步将接受到数据保存到分布式文件系统上比如HDFS。保证数据在出错的情况下可以恢复出来。尽管这种方式配合着WAL机制可以保证数据零丢失的高可靠性，但是启用了WAL效率会较低，且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。

(官方现在已经不推荐这种整合方式。)

• 准备工作

1)启动zookeeper集群

zkServer.sh start

2)启动kafka集群

kafka-server-start.sh /export/servers/kafka/config/server.properties

3.创建topic

kafka-topics.sh --create --zookeeper node01:2181 --replication-factor 1 --partitions 3 --topic spark_kafka

4.通过shell命令向topic发送消息

kafka-console-producer.sh --broker-list node01:9092 --topic spark_kafka

5.添加kafka的pom依赖

org.apache.spark
spark-streaming-kafka-0-8_2.112.2.0

• API

通过receiver接收器获取kafka中topic数据，可以并行运行更多的接收器读取kafak topic中的数据，这里为3个

 val receiverDStream: immutable.IndexedSeq[ReceiverInputDStream[(String, String)]] = (1 to 3).map(x => {
val stream: ReceiverInputDStream[(String, String)] = KafkaUtils.createStream(ssc, zkQuorum, groupId, topics)
stream
})

如果启用了WAL(spark.streaming.receiver.writeAheadLog.enable=true)可以设置存储级别(默认StorageLevel.MEMORY_AND_DISK_SER_2)

代码演示

import org.apache.spark.streaming.dstream.{DStream, ReceiverInputDStream}
import org.apache.spark.streaming.kafka.KafkaUtils
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.{SparkConf, SparkContext}
import scala.collection.immutable
object SparkKafka {
def main(args: Array[String]): Unit = {
//1.创建StreamingContext
val config: SparkConf =
new SparkConf.setAppName("SparkStream").setMaster("local[*]")
.set("spark.streaming.receiver.writeAheadLog.enable