SparkStreaming 整合Kafka

SparkStreaming 整合Kafka

Spark Streaming连接kafka 的两种方式

Receiver based Approah

• KafkaUtils.createDstream基于接收器方式，消费Kafka数据，已淘汰
• Receiver作为Task运行在Executor等待数据，一个Receiver效率低，需要开启多个，再手动合并数据，很麻烦
• Receiver挂了，可能丢失数据，需要开启WAL(预写日志)保证数据安全，效率低
• 通过Zookeeper来连接kafka，offset存储再zookeeper中
• spark消费的时候为了保证数据不丢也会保存一份offset，可能出现数据不一致

Direct Approach

• KafkaUtils.createDirectStream直连方式，streaming中每个批次的job直接调用Simple Consumer API获取对应Topic数据
• Direct方式直接连接kafka分区获取数据，提高了并行能力
• Direct方式调用kafka低阶API，offset自己存储和维护，默认由spark维护在checkpoint中
• offset也可以自己手动维护，保存在mysql/redis中

// 从kafka加载数据
val kafkaParams = Map[String, Object](
  "bootstrap.servers" -> "hadoop102:9092",//kafka集群地址
  "key.deserializer" -> classOf[StringDeserializer],//key的反序列化规则
  "value.deserializer" -> classOf[StringDeserializer],//value的反序列化规则
  "group.id" -> "sparkdemo",//消费者组名称
  //earliest:表示如果有offset记录从offset记录开始消费,如果没有从最早的消息开始消费
  //latest:表示如果有offset记录从offset记录开始消费,如果没有从最后/最新的消息开始消费
  //none:表示如果有offset记录从offset记录开始消费,如果没有就报错
  "auto.offset.reset" -> "latest",
  "auto.commit.interval.ms"->"1000",//自动提交的时间间隔
  "enable.auto.commit" -> (true: java.lang.Boolean)//是否自动提交
)

val topics = Array("spark_kafka")//要订阅的主题
//使用工具类从Kafka中消费消息
val kafkaDS: InputDStream[ConsumerRecord[String, String]] = KafkaUtils.createDirectStream[String, String](
  ssc,
  LocationStrategies.PreferConsistent, //位置策略,使用源码中推荐的
  ConsumerStrategies.Subscribe[String, String](topics, kafkaParams) //消费策略,使用源码中推荐的
)

代码展示

自动提交偏移量

object kafka_Demo01 {

  def main(args: Array[String]): Unit = {

    val conf = new SparkConf().setMaster("local[*]").setAppName("kafka_Demo01")
    val sc = new SparkContext(conf)
    val ssc = new StreamingContext(sc, Seconds(5))
    ssc.checkpoint("data/ckp")

    // 从kafka加载数据
    val kafkaParams = Map[String, Object](
      "bootstrap.servers" -> "hadoop102:9092",//kafka集群地址
      "key.deserializer" -> classOf[StringDeserializer],//key的反序列化规则
      "value.deserializer" -> classOf[StringDeserializer],//value的反序列化规则
      "group.id" -> "sparkdemo",//消费者组名称
      //earliest:表示如果有offset记录从offset记录开始消费,如果没有从最早的消息开始消费
      //latest:表示如果有offset记录从offset记录开始消费,如果没有从最后/最新的消息开始消费
      //none:表示如果有offset记录从offset记录开始消费,如果没有就报错
      "auto.offset.reset" -> "latest",
      "auto.commit.interval.ms"->"1000",//自动提交的时间间隔
      "enable.auto.commit" -> (true: java.lang.Boolean)//是否自动提交
    )

    val topics = Array("spark_kafka")//要订阅的主题
    //使用工具类从Kafka中消费消息
    val kafkaDS: InputDStream[ConsumerRecord[String, String]] = KafkaUtils.createDirectStream[String, String](
      ssc,
      LocationStrategies.PreferConsistent, //位置策略,使用源码中推荐的
      ConsumerStrategies.Subscribe[String, String](topics, kafkaParams) //消费策略,使用源码中推荐的
    )

    // 处理消息
    val infoDS = kafkaDS.map(record => {

      val topic = record.topic()
      val partition = record.partition()
      val offset = record.offset()
      val key = record.key()
      val value = record.value()
      val info: String = s"""topic:${topic}, partition:${partition}, offset:${offset}, key:${key}, value:${value}"""
      info

    })

    // 输出
    infoDS.print()

    ssc.start()
    ssc.awaitTermination()

    ssc.stop(true, true)

  }

}

手动提交

• 提交代码

// 处理消息
//注意提交的时机:应该是消费完一小批就该提交一次offset,而在DStream一小批的体现是RDD
kafkaDS.foreachRDD(rdd => {
  rdd.foreach(record => {
    val topic = record.topic()
    val partition = record.partition()
    val offset = record.offset()
    val key = record.key()
    val value = record.value()
    val info: String = s"""topic:${topic}, partition:${partition}, offset:${offset}, key:${key}, value:${value}"""
    info
    println("消费" + info)
  })
  //获取rdd中offset相关的信息:offsetRanges里面就包含了该批次各个分区的offset信息
  val offsetRanges: Array[OffsetRange] = rdd.asInstanceOf[HasOffsetRanges].offsetRanges
  //提交
  kafkaDS.asInstanceOf[CanCommitOffsets].commitAsync(offsetRanges)
  println("当前批次的数据已消费并手动提交")
})

• 完整代码

object kafka_Demo02 {

  def main(args: Array[String]): Unit = {

    val conf = new SparkConf().setMaster("local[*]").setAppName("kafka_Demo01")
    val sc = new SparkContext(conf)
    val ssc = new StreamingContext(sc, Seconds(5))
    ssc.checkpoint("data/ckp")

    // 从kafka加载数据
    val kafkaParams = Map[String, Object](
      "bootstrap.servers" -> "hadoop102:9092",//kafka集群地址
      "key.deserializer" -> classOf[StringDeserializer],//key的反序列化规则
      "value.deserializer" -> classOf[StringDeserializer],//value的反序列化规则
      "group.id" -> "sparkdemo",//消费者组名称
      //earliest:表示如果有offset记录从offset记录开始消费,如果没有从最早的消息开始消费
      //latest:表示如果有offset记录从offset记录开始消费,如果没有从最后/最新的消息开始消费
      //none:表示如果有offset记录从offset记录开始消费,如果没有就报错
      "auto.offset.reset" -> "latest",
//      "auto.commit.interval.ms"->"1000",//自动提交的时间间隔
      "enable.auto.commit" -> (false: java.lang.Boolean)//是否自动提交
    )

    val topics = Array("spark_kafka")//要订阅的主题
    //使用工具类从Kafka中消费消息
    val kafkaDS: InputDStream[ConsumerRecord[String, String]] = KafkaUtils.createDirectStream[String, String](
      ssc,
      LocationStrategies.PreferConsistent, //位置策略,使用源码中推荐的
      ConsumerStrategies.Subscribe[String, String](topics, kafkaParams) //消费策略,使用源码中推荐的
    )

    // 处理消息
    //注意提交的时机:应该是消费完一小批就该提交一次offset,而在DStream一小批的体现是RDD
    kafkaDS.foreachRDD(rdd => {
      rdd.foreach(record => {
        val topic = record.topic()
        val partition = record.partition()
        val offset = record.offset()
        val key = record.key()
        val value = record.value()
        val info: String = s"""topic:${topic}, partition:${partition}, offset:${offset}, key:${key}, value:${value}"""
        info
        println("消费" + info)
      })
      //获取rdd中offset相关的信息:offsetRanges里面就包含了该批次各个分区的offset信息
      val offsetRanges: Array[OffsetRange] = rdd.asInstanceOf[HasOffsetRanges].offsetRanges
      //提交
      kafkaDS.asInstanceOf[CanCommitOffsets].commitAsync(offsetRanges)
      println("当前批次的数据已消费并手动提交")
    })


    // 输出
    kafkaDS.print()

    ssc.start()
    ssc.awaitTermination()

    ssc.stop(true, true)

  }

}