Sparkstreaming基于kafka以Receiver方式获取数据原理和案例实战

本文讲述的内容主要包括：

1，SparkStreaming on Kafka Receiver 工作原理机制

2，SparkStreaming on Kafka Receiver案例实战

3，SparkStreaming on Kafka Receiver源码解析

一：SparkStreaming on Kafka Receiver 简介：

1、Spark-Streaming获取kafka数据的两种方式-Receiver与Direct的方式，可以从代码中简单理解成Receiver方式是通过zookeeper来连接kafka队列，Direct方式是直接连接到kafka的节点上获取数据了。

2、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。

补充说明：

(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。

SparkStreaming on Kafka Receiver 工作原理图如下所示：

 



 

二、SparkStreaming on Kafka Receiver案例实战：

1、在进行SparkStreaming on Kafka Receiver案例的环境前提：

(1)spark 安装成功，spark 1.6.0(local方式除外)

(2)zookeeper 安装成功

(3)kafka 安装成功

(4)启动集群和zookeeper和kafka

在这里我采用local的方式进行试验，代码如下：

 

public class SparkStreamingOnKafkaReceiver {

public static void main(String[] args) {
/*      第一步：配置SparkConf：
1，至少两条线程因为Spark Streaming应用程序在运行的时候至少有一条线程用于
不断地循环接受程序，并且至少有一条线程用于处理接受的数据（否则的话有线程用于处理数据，随着时间的推移内存和磁盘都会
不堪重负）
2，对于集群而言，每个Executor一般肯定不止一个线程，那对于处理SparkStreaming
应用程序而言，每个Executor一般分配多少Core比较合适？根据我们过去的经验，5个左右的Core是最佳的（一个段子分配为奇数个Core表现最佳，例如3个，5个，7个Core等）
*/
SparkConf conf = new SparkConf().setMaster("local[2]").setAppName("SparStreamingOnKafkaReceiver");
//      SparkConf conf = new //SparkConf().setMaster("spark：//Master:7077").setAppName("        //SparStreamingOnKafkaReceiver");
/*      第二步：创建SparkStreamingContext,
1，这个是SparkStreaming应用春香所有功能的起始点和程序调度的核心
SparkStreamingContext的构建可以基于SparkConf参数也可以基于持久化的SparkStreamingContext的内容
//      来恢复过来（典型的场景是Driver崩溃后重新启动，由于SparkStreaming具有连续7*24
小时不间断运行的特征，所以需要Driver重新启动后继续上一次的状态，此时的状态恢复需要基于曾经的Checkpoint））
2，在一个Sparkstreaming 应用程序中可以创建若干个SparkStreaming对象，使用下一个SparkStreaming
之前需要把前面正在运行的SparkStreamingContext对象关闭掉，由此，我们获取一个重大的启发
我们获得一个重大的启发SparkStreaming也只是SparkCore上的一个应用程序而已，只不过SparkStreaming框架想运行的话需要
*/      spark工程师写业务逻辑
@SuppressWarnings("resource")
JavaStreamingContext jsc = new JavaStreamingContext(conf,Durations.seconds(10));

/*      第三步：创建SparkStreaming输入数据来源input Stream
1，数据输入来源可以基于File,HDFS,Flume,Kafka-socket等
2,在这里我们指定数据来源于网络Socket端口，SparkStreaming连接上该端口并在运行时候一直监听
该端口的数据（当然该端口服务首先必须存在，并且在后续会根据业务需要不断地数据产生当然对于SparkStreaming
应用程序的而言，有无数据其处理流程都是一样的）;
3,如果经常在每个5秒钟没有数据的话不断地启动空的Job其实会造成调度资源的浪费，因为并没有数据发生计算
所以实际的企业级生成环境的代码在具体提交Job前会判断是否有数据，如果没有的话就不再提交数据
在本案例中具体参数含义：
第一个参数是StreamingContext实例，
第二个参数是zookeeper集群信息（接受Kafka数据的时候会从zookeeper中获取Offset等元数据信息）
第三个参数是Consumer Group
*/      第四个参数是消费的Topic以及并发读取Topic中Partition的线程数

Map topicConsumerConcurrency = new HashMap();
topicConsumerConcurrency.put("HelloKafakaFromSparkStreaming",1);//这里2个的话是指2个接受的线程

JavaPairReceiverInputDStream lines = KafkaUtils.createStream(jsc,
"Master:2181,Worker1:2181,Worker2:2181",
"MyFirstConsumerGrou",
topicConsumerConcurrency);
/*
* 第四步：接下来就像对于RDD编程一样，基于DStream进行编程！！！原因是Dstream是RDD产生的模板（或者说类
* ），在SparkStreaming发生计算前，其实质是把每个Batch的Dstream的操作翻译成RDD的操作
* 对初始的DTStream进行Transformation级别处理
* */
JavaDStream words = lines.flatMap(new FlatMapFunction<tuple2,String>(){ //如果是Scala，由于SAM装换，可以写成val words = lines.flatMap{line => line.split("　＂)}

@Override
public Iterable call(Tuple2 tuple) throws Exception {

return Arrays.asList(tuple._2.split(" "));//将其变成Iterable的子类
}
});
//      第四步：对初始DStream进行Transformation级别操作
//在单词拆分的基础上对每个单词进行实例计数为1，也就是word => (word ,1 )
JavaPairDStream pairs = words.mapToPair(new PairFunction() {

@Override
public Tuple2 call(String word) throws Exception {
return new Tuple2(word,1);
}

});
//对每个单词事例技术为1的基础上对每个单词在文件中出现的总次数

JavaPairDStream wordsCount = pairs.reduceByKey(new Function2(){

/**
*
*/
private static final long serialVersionUID = 1L;

@Override
public Integer call(Integer v1, Integer v2) throws Exception {
// TODO Auto-generated method stub
return v1 + v2;
}
});
/*
* 此处的print并不会直接出发Job的支持，因为现在一切都是在SparkStreaming的框架控制之下的
* 对于spark而言具体是否触发真正的JOb运行是基于设置的Duration时间间隔的
* 诸位一定要注意的是Spark Streaming应用程序要想执行具体的Job，对DStream就必须有output Stream操作
* output Stream有很多类型的函数触发，类print，savaAsTextFile,scaAsHadoopFiles等
* 其实最为重要的一个方法是foreachRDD,因为SparkStreaming处理的结果一般都会放在Redis,DB
* DashBoard等上面，foreach主要就是用来完成这些功能的，而且可以自定义具体的数据放在哪里！！！
* */
wordsCount.print();

//       SparkStreaming 执行引擎也就是Driver开始运行，Driver启动的时候位于一条新线程中的，当然
//       其内部有消息接受应用程序本身或者Executor中的消息
jsc.start();
jsc.close();
}

}

<tuple2

2、SparkStreaming on Kafka Receiver运行在集群上的步骤及结果：

1，首先启动zookeeper服务：

2，接下来启动Kafka服务

3，在eclipse上观察结果：

三：SparkStreaming on Kafka Receiver源码解析

1,首先看一下KafkaUtils(包含zookeeper的配置等等):

2、在这里创建了KafkaInputDStream：

3、这里证明KafkaInputStream为consumer

4、在这里拥有线程池(处理topic)

5，不同的接受方式(第一个为wal方式)

补充说明：

使用Spark Streaming可以处理各种数据来源类型，如：数据库、HDFS，服务器log日志、网络流，其强大超越了你想象不到的场景，只是很多时候大家不会用，其真正原因是对Spark、spark streaming本身不了解。