Spark Streaming快速入门系列(3) | Kafka 数据源

一.Kafka选型

http://spark.apache.org/docs/2.1.1/streaming-programming-guide.html

http://spark.apache.org/docs/2.1.1/streaming-kafka-integration.html

二.kafka和streaming理论指导

http://spark.apache.org/docs/2.1.1/streaming-kafka-0-8-integration.html

三.从kafka消费数据1

• 1.用法及说明
  在工程中需要引入 Maven 依赖 spark-streaming-kafka_2.11来使用它。
  包内提供的 KafkaUtils 对象可以在 StreamingContext和JavaStreamingContext中以你的 Kafka 消息创建出 DStream。
  两个核心类：KafkaUtils、KafkaCluster

• 2.导入依赖

<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-streaming-kafka-0-8_2.11</artifactId>
    <version>2.1.1</version>
</dependency>

• 3.代码实现

import kafka.serializer.StringDecoder
import org.apache.spark.SparkConf
import org.apache.spark.streaming.kafka.KafkaUtils
import org.apache.spark.streaming.{Seconds, StreamingContext}

object Kafka1 {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setMaster("local[2]").setAppName("WordCount2")
    val ssc = new StreamingContext(conf, Seconds(3))

    val params = Map[String, String](
      "bootstrap.servers" -> "hadoop102:9092,hadoop103:9092,hadoop104:9092",
      "group.id" -> "1602"
    )

    KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](
      ssc,
      params,
      Set("first1602")
    )
      .flatMap{
      case (_,v) =>
        v.split("\\W+")
    }
      .map((_,1))
        .reduceByKey(_+_)
        .print()

    ssc.start()
    ssc.awaitTermination()
  }

}

• 4.测试kafka是否打通

bin/kafka-console-producer.sh --broker-list hadoop102:9092 --topic first1602

bin/kafka-console-consumer.sh --bootstrap-server hadoop102:9092 --topic first1602

• 5.实现代码
  

缺点：数据会丢失

三.从kafka消费数据2

• 1.用法及说明
  在工程中需要引入 Maven 依赖 spark-streaming-kafka_2.11来使用它。
  包内提供的 KafkaUtils 对象可以在 StreamingContext和JavaStreamingContext中以你的 Kafka 消息创建出 DStream。
  两个核心类：KafkaUtils、KafkaCluster

• 2.导入依赖

<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-streaming-kafka-0-8_2.11</artifactId>
    <version>2.1.1</version>
</dependency>

• 3.思考一下spark streaming关闭了 kafka发数据，再次打开spark streaming，怎样才能接受到数据
  代码实现

import kafka.serializer.StringDecoder
import org.apache.spark.SparkConf
import org.apache.spark.streaming.kafka.KafkaUtils
import org.apache.spark.streaming.{Seconds, StreamingContext}

object Kafka2 {
  def createSSC()={
    val conf = new SparkConf().setMaster("local[*]").setAppName("kafka2")
    val ssc = new StreamingContext(conf, Seconds(3))
    //把offset的跟踪在checkpoint中
    ssc.checkpoint("ck1")

    val params = Map[String, String](
      "bootstrap.servers" -> "hadoop102:9092,hadoop103:9092,hadoop104:9092",
      "group.id" -> "1602"
    )

    KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](
      ssc,
      params,
      Set("first1602")
    )
      .flatMap{
        case (_,v) =>
          v.split("\\W+")
      }
      .map((_,1))
      .reduceByKey(_+_)
      .print()

    ssc
  }

  def main(args: Array[String]): Unit = {
    /*
    从checkpoint中恢复一个streamingContext，
    如果checkpoint不存在，则调用后面的函数去创建一个StreamingContext
     */
    val ssc = StreamingContext .getActiveOrCreate("ck1", createSSC)

    ssc.start()
    ssc.awaitTermination()
  }

}

缺点：小文件太多

三.从kafka消费数据3

• 1.用法及说明
  在工程中需要引入 Maven 依赖 spark-streaming-kafka_2.11来使用它。
  包内提供的 KafkaUtils 对象可以在 StreamingContext和JavaStreamingContext中以你的 Kafka 消息创建出 DStream。
  两个核心类：KafkaUtils、KafkaCluster

• 2.导入依赖

<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-streaming-kafka-0-8_2.11</artifactId>
    <version>2.1.1</version>
</dependency>

• 3.从kafka消费数据2中产生大量小文件，怎么样解决？
  解决方案：启动实时项目的实时读取偏移量+保存偏移量
• 4.代码实现

import kafka.common.TopicAndPartition
import kafka.message.MessageAndMetadata
import kafka.serializer.StringDecoder
import org.apache.spark.SparkConf
import org.apache.spark.streaming.dstream.InputDStream
import org.apache.spark.streaming.kafka.KafkaCluster.Err
import org.apache.spark.streaming.kafka.{HasOffsetRanges, KafkaCluster, KafkaUtils, OffsetRange}
import org.apache.spark.streaming.{Seconds, StreamingContext}

object Kafka3 {
  val groupId = "1602"
  val params = Map[String, String](
    "bootstrap.servers" -> "hadoop102:9092,hadoop103:9092,hadoop104:9092",
    "group.id" -> "1602")
  val topics = Set("first1602")
  //KafkaUtils  KafkaCluster
  val cluster = new KafkaCluster(params)

  def readOffsets()={
    //最终返回的map
    var resultMap = Map[TopicAndPartition, Long]()
    val topicAndPartitionSetEither: Either[Err, Set[TopicAndPartition]] = cluster.getPartitions(topics)
    topicAndPartitionSetEither match {
        //2.获取topic和分区的信息
      case Right(topicAndPartitionSet) =>
        //3.获取到分区信息和其他的offset
        val topicAndPartitionToLongEither: Either[Err, Map[TopicAndPartition, Long]] = cluster.getConsumerOffsets(groupId, topicAndPartitionSet)
        topicAndPartitionToLongEither match {
            //没有每个topic的每个分区都已经存储过偏移量，表示曾经消费过，而且也维护过偏移量
          case Right(map)=>
            resultMap ++= map

            //表示这个topic的这个分区是第一次消费
          case  _ =>
             topicAndPartitionSet.foreach(topicAndPartition => {
               resultMap += topicAndPartition -> 1L
             })
        }
      case _ => //表示不存在任何topic

    }
    resultMap
  }

  def saveOffsets(stream: InputDStream[String]) = {
    //保存offset一定从kafka消费到的直接那个stream保存
    //每个批次执行一次传递过去的函数
    stream.foreachRDD(rdd =>{
      var map = Map[TopicAndPartition,Long]()
      //如果这个rdd是来自kafka，可以强转成HasOffsetRanges
      //这类型就包含了，这次消费的offsets的信息
      val hasOffsetRanges: HasOffsetRanges = rdd.asInstanceOf[HasOffsetRanges]
      //如果有两个topic 三个分区  那么就有6个OffsetRange
      //所有分区的偏移量
      val ranges: Array[OffsetRange] = hasOffsetRanges.offsetRanges
      ranges.foreach(OffsetRange=>{
        val key = OffsetRange.topicAndPartition()
        val value = OffsetRange.untilOffset
        map += key -> value
      })
      cluster.setConsumerOffsets(groupId,map)
    })
  }

  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setMaster("local[*]").setAppName("kafka2")
    val ssc = new StreamingContext(conf, Seconds(3))

    val sourceStream: InputDStream[String] = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder, String](
      ssc,
      params,
      readOffsets(),
      (handler: MessageAndMetadata[String, String]) => handler.message() // 从kafka读到数据的value

    )
    sourceStream
        .flatMap(_.split(("\\W+")))
        .map((_,1))
        .reduceByKey(_+_)
        .print(1000)

    saveOffsets(sourceStream)

    ssc.start()
    ssc.awaitTermination()
  }

}