8.输入DStream之Kafka数据源实战(基于Receiver的方式)
2017-11-16 22:39
357 查看
基于Receiver的方式
这种方式使用Receiver来获取数据。Receiver是使用Kafka的高层次Consumer
API来实现的。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。
然而,在默认的配置下,这种方式可能会因为底层的失败而丢失数据。如果要启用高可靠机制,让数据零丢失,就必须启用Spark Streaming的预写日志机制(Write Ahead Log,WAL)。该机制会同步地将接收到的Kafka数据写入分布式文件系统(比如HDFS)上的预写日志中。所以,即使底层节点出现了失败,也可以使用预写日志中的数据进行恢复。
如何进行Kafka数据源连接
1、在maven添加依赖
2、使用第三方工具类创建输入DStream
需要注意的要点
1、Kafka中的topic的partition,与Spark中的RDD的partition是没有关系的。所以,在KafkaUtils.createStream()中,提高partition的数量,只会增加一个Receiver中,读取partition的线程的数量。不会增加Spark处理数据的并行度。
2、可以创建多个Kafka输入DStream,使用不同的consumer
group和topic,来通过多个receiver并行接收数据。
3、如果基于容错的文件系统,比如HDFS,启用了预写日志机制,接收到的数据都会被复制一份到预写日志中。因此,在KafkaUtils.createStream()中,设置的持久化级别是StorageLevel.MEMORY_AND_DISK_SER。
Kafka命令(进入到cd /usr/local/kafka)
// 创建topic
// 创建consumer
java版本代码:
运行步骤及运行结果(java本地运行):
这种方式使用Receiver来获取数据。Receiver是使用Kafka的高层次Consumer
API来实现的。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。
然而,在默认的配置下,这种方式可能会因为底层的失败而丢失数据。如果要启用高可靠机制,让数据零丢失,就必须启用Spark Streaming的预写日志机制(Write Ahead Log,WAL)。该机制会同步地将接收到的Kafka数据写入分布式文件系统(比如HDFS)上的预写日志中。所以,即使底层节点出现了失败,也可以使用预写日志中的数据进行恢复。
如何进行Kafka数据源连接
1、在maven添加依赖
groupId = org.apache.spark artifactId = spark-streaming-kafka_2.10 version = 1.5.1
2、使用第三方工具类创建输入DStream
JavaPairReceiverInputDStream<String, String> kafkaStream = KafkaUtils.createStream(streamingContext, [ZK quorum], [consumer group id], [per-topic number of Kafka partitions to consume]);
需要注意的要点
1、Kafka中的topic的partition,与Spark中的RDD的partition是没有关系的。所以,在KafkaUtils.createStream()中,提高partition的数量,只会增加一个Receiver中,读取partition的线程的数量。不会增加Spark处理数据的并行度。
2、可以创建多个Kafka输入DStream,使用不同的consumer
group和topic,来通过多个receiver并行接收数据。
3、如果基于容错的文件系统,比如HDFS,启用了预写日志机制,接收到的数据都会被复制一份到预写日志中。因此,在KafkaUtils.createStream()中,设置的持久化级别是StorageLevel.MEMORY_AND_DISK_SER。
Kafka命令(进入到cd /usr/local/kafka)
// 创建topic
bin/kafka-topics.sh --zookeeper 172.20.10.117:2181,172.20.10.118:2181,172.20.10.119:2181 --topic MyTestWordCount --replication-factor 1 --partitions 1 --create
// 创建consumer
bin/kafka-console-producer.sh --broker-list 172.20.10.117:9092, 172.20.10.118:9092, 172.20.10.119:9092 --topic MyTestWordCount
java版本代码:
package cn.spark.study.streaming; import java.util.Arrays; import java.util.HashMap; import java.util.Map; import org.apache.spark.SparkConf; import org.apache.spark.api.java.function.FlatMapFunction; import org.apache.spark.api.java.function.Function2; import org.apache.spark.api.java.function.PairFunction; import org.apache.spark.streaming.Durations; import org.apache.spark.streaming.api.java.JavaDStream; import org.apache.spark.streaming.api.java.JavaPairDStream; import org.apache.spark.streaming.api.java.JavaPairReceiverInputDStream; import org.apache.spark.streaming.api.java.JavaStreamingContext; import org.apache.spark.streaming.kafka.KafkaUtils; import scala.Tuple2; /** * 基于Kafka receiver方式的实时wordcount程序 * @author Administrator * */ public class KafkaReceiverWordCount { public static void main(String[] args) { SparkConf conf = new SparkConf() .setMaster("local[2]") .setAppName("KafkaWordCount"); JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(5)); // 使用KafkaUtils.createStream()方法,创建针对Kafka的输入数据流 Map<String, Integer> topicThreadMap = new HashMap<String, Integer>(); topicThreadMap.put("My 4000 TestWordCount", 1); JavaPairReceiverInputDStream<String, String> lines = KafkaUtils.createStream( jssc, "172.20.10.117:2181,172.20.10.118:2181,172.20.10.119:2181", "DefaultConsumerGroup", topicThreadMap); // 然后开发wordcount逻辑 JavaDStream<String> words = lines.flatMap( new FlatMapFunction<Tuple2<String,String>, String>() { private static final long serialVersionUID = 1L; @Override public Iterable<String> call(Tuple2<String, String> tuple) throws Exception { return Arrays.asList(tuple._2.split(" ")); } }); JavaPairDStream<String, Integer> pairs = words.mapToPair( new PairFunction<String, String, Integer>() { private static final long serialVersionUID = 1L; @Override public Tuple2<String, Integer> call(String word) throws Exception { return new Tuple2<String, Integer>(word, 1); } }); JavaPairDStream<String, Integer> wordCounts = pairs.reduceByKey( new Function2<Integer, Integer, Integer>() { private static final long serialVersionUID = 1L; @Override public Integer call(Integer v1, Integer v2) throws Exception { return v1 + v2; } }); wordCounts.print(); jssc.start(); jssc.awaitTermination(); jssc.close(); } }
运行步骤及运行结果(java本地运行):
相关文章推荐
- 8.输入DStream之Kafka数据源实战(基于Receiver的方式)
- 8.输入DStream之Kafka数据源实战(基于Receiver的方式)
- 8.输入DStream之Kafka数据源实战(基于Receiver的方式)
- 8.输入DStream之Kafka数据源实战(基于Receiver的方式)
- 8.输入DStream之Kafka数据源实战(基于Receiver的方式)
- 8.输入DStream之Kafka数据源实战(基于Receiver的方式)
- 8.输入DStream之Kafka数据源实战(基于Receiver的方式)
- 8.输入DStream之Kafka数据源实战(基于Receiver的方式)
- 8.输入DStream之Kafka数据源实战(基于Receiver的方式)
- 8.输入DStream之Kafka数据源实战(基于Receiver的方式)
- 8.输入DStream之Kafka数据源实战(基于Receiver的方式)
- 8.输入DStream之Kafka数据源实战(基于Receiver的方式)
- 8.输入DStream之Kafka数据源实战(基于Receiver的方式)
- 8.输入DStream之Kafka数据源实战(基于Receiver的方式)
- 8.输入DStream之Kafka数据源实战(基于Receiver的方式)
- 8.输入DStream之Kafka数据源实战(基于Receiver的方式)
- 8.输入DStream之Kafka数据源实战(基于Receiver的方式)
- 9.输入DStream之Kafka数据源实战(基于Direct的方式)
- 9.输入DStream之Kafka数据源实战(基于Direct的方式)
- 9.输入DStream之Kafka数据源实战(基于Direct的方式)