spark streaming流式处理kafka中的数据(java)

spark streaming是spark中用来处理流式数据的,用来对接各类消息队列是极好的。spark streaming并不是真正实时的流式处理,它本质上还是批处理,只是每一个批次间隔的时间很短。

我是用java来写的。跟大佬们的scala不能比,没有scala简洁。。

先是maven需要依赖的spark-kafka包:

<dependency>
      <groupId>org.apache.spark</groupId>
      <artifactId>spark-streaming-kafka-0-10_2.11</artifactId>
      <version>2.3.1</version>
    </dependency>
      
    <dependency>
      <groupId>org.apache.spark</groupId>
      <artifactId>spark-streaming_2.11</artifactId>
      <version>2.3.1</version>
      <scope>provided</scope>
    </dependency>
maven的打包组件:

<properties>
    <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
    <maven.compile.source>1.8</maven.compile.source>
    <maven.compile.target>1.8</maven.compile.target>
  </properties>
 
<build>
    <plugins>
      <plugin>
        <groupId>org.apache.maven.plugins</groupId>
        <artifactId>maven-shade-plugin</artifactId>
        <executions>
          <execution>
            <phase>package</phase>
            <goals>
              <goal>shade</goal>
            </goals>
            <configuration>
              <transformers>
                <transformer
                        implementation="org.apache.maven.plugins.shade.resource.ManifestResourceTransformer">
                  <manifestEntries>
                    <Main-Class>org.xxx.TransferApp</Main-Class>
                    <X-Compile-Source-JDK>${maven.compile.source}</X-Compile-Source-JDK>
                    <X-Compile-Target-JDK>${maven.compile.target}</X-Compile-Target-JDK>
                  </manifestEntries>
                </transformer>
              </transformers>
            </configuration>
          </execution>
        </executions>
      </plugin>
    </plugins>
  </build>
然后是java代码:

首先是spark的配置信息和kafka的配置信息:

        SparkConf conf = new SparkConf();
        //conf.setMaster("local[4]");
        conf.setMaster("spark://192.168.1.100:7077");
        conf.setAppName("transfer App");
        conf.set("spark.streaming.stopGracefullyOnShutdown","true");
        conf.set("spark.default.parallelism", "6");
        
        SparkSession spark = SparkSession.builder().config(conf).getOrCreate();
        JavaSparkContext javaSparkContext = new JavaSparkContext(spark.sparkContext());
        JavaStreamingContext jssc = new JavaStreamingContext(javaSparkContext, Durations.seconds(10));
        
        Map<String, Object> kafkaParams = new HashMap<>();
        kafkaParams.put("bootstrap.servers", "192.168.1.101:9092");
        kafkaParams.put("key.deserializer", StringDeserializer.class);
        kafkaParams.put("value.deserializer", StringDeserializer.class);
        kafkaParams.put("group.id", "myGroup998");
        kafkaParams.put("auto.offset.reset", "latest");
        kafkaParams.put("enable.auto.commit", true);
这里面conf.set("spark.streaming.stopGracefullyOnShutdown","true");是让streaming任务可以优雅的结束,当把它停止掉的时候,它会执行完当前正在执行的任务。

JavaStreamingContext jssc = new JavaStreamingContext(javaSparkContext, Durations.seconds(10));这个是设置每一个批处理的时间,我这里是设置的10秒,通常可以1秒。。

然后创建主题列表:

        Collection<String> topic0 = Arrays.asList("self-topic0");
        Collection<String> topic1 = Arrays.asList("self-topic1");
        Collection<String> topic2 = Arrays.asList("self-topic2");
        Collection<String> topic3 = Arrays.asList("self-topic3");
        Collection<String> topic4 = Arrays.asList("self-topic4");
        Collection<String> topic5 = Arrays.asList("self-topic5");
        List<Collection<String>> topics = Arrays.asList(topic0, topic1, topic2, topic3, topic4, topic5);
        List<JavaDStream<ConsumerRecord<String, String>>> kafkaStreams = new ArrayList<>(topics.size());
主题列表本来是可以这样的:

Collection<String> topic0 = Arrays.asList("self-topic0","self-topic1","self-topic2");
如果是这样的话,这多个主题会在一个消费者中去接收。而我上面的写法可以让spark更好的并发去处理每一个主题。

最后,就是为每一个主题开一个stream去接收,收完了再把结果union起来。

        for (int i = 0; i < topics.size(); i++) {
            kafkaStreams.add(KafkaUtils.createDirectStream(
                    jssc,
                    LocationStrategies.PreferConsistent(),
                    ConsumerStrategies.<String, String>Subscribe(topics.get(i), kafkaParams)));
        }
        JavaDStream<ConsumerRecord<String, String>> stream = jssc.union(kafkaStreams.get(0), kafkaStreams.subList(1, kafkaStreams.size()));        
        
        stream.foreachRDD((rdd)->{rdd.foreachPartition((crs)->patchTransfer(crs));});
         
         jssc.start();
         try {
            jssc.awaitTermination();
        } catch (InterruptedException e) {
            // TODO Auto-generated catch block
            e.printStackTrace();
        }
最最后,是启动,和保持运行。

最最最后,用maven打包,命令是mvn package,然后像普通spark应用一样提交。

提交的时候用的是6066的rest接口,7077会报一个不影响运行的小错。jar包要放在所有节点都能拿到的地方,我没有hdfs也没有网络磁盘,就放http服务器里了。。

./spark-submit --deploy-mode cluster --master spark://master:6066 --class xxx.xxx.TransferApp http://server/journalTransfer-1.0.jar
 

猜你喜欢

转载自blog.csdn.net/u011555260/article/details/84132121