大数据-SparkStreaming（七）

本文主要是介绍大数据-SparkStreaming（七），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

大数据-SparkStreaming（七）

SparkStreaming语义

At most once 一条记录要么被处理一次，要么没有被处理。
At least once 一条记录可能被处理一次或者多次，可能会重复处理。
Exactly once 一条记录只被处理一次，它最严格，实现起来也是比较困难。数据被处理且只被处理一次。

SparkStreaming与Kafka整合

SparkStreaming整合Kafka官方文档

http://spark.apache.org/docs/2.3.3/streaming-kafka-integration.html

方式一：Receiver-based Approach（不推荐使用）

此方法使用Receiver接收数据。Receiver是使用Kafka高级消费者API实现的。与所有接收器一样，从Kafka通过Receiver接收的数据存储在Spark执行器中，然后由Spark Streaming启动的作业处理数据。但是在默认配置下，此方法可能会在失败时丢失数据（请参阅接收器可靠性。为确保零数据丢失，必须在Spark Streaming中另外启用Write Ahead Logs（在Spark 1.2中引入）。这将同步保存所有收到的Kafka将数据写入分布式文件系统（例如HDFS）上的预写日志，以便在发生故障时可以恢复所有数据，但是性能不好。

pom.xml文件添加如下：

<dependency><groupId>org.apache.spark</groupId><artifactId>spark-streaming-kafka-0-8_2.11</artifactId><version>2.3.3</version>
</dependency>

核心代码：

import org.apache.spark.streaming.kafka._val kafkaStream = KafkaUtils.createStream(streamingContext,[ZK quorum], [consumer group id], [per-topic number of Kafka partitions to consume])

代码演示：

package com.kaikeba.streaming.kafkaimport org.apache.log4j.{Level, Logger}
import org.apache.spark.SparkConf
import org.apache.spark.streaming.dstream.{DStream, ReceiverInputDStream}
import org.apache.spark.streaming.kafka.KafkaUtils
import org.apache.spark.streaming.{Seconds, StreamingContext}/*** sparkStreaming使用kafka 0.8API基于recevier来接受消息*/
object KafkaReceiver08 {def main(args: Array[String]): Unit = {Logger.getLogger("org").setLevel(Level.ERROR)//1、创建StreamingContext对象val sparkConf= new SparkConf().setAppName("KafkaReceiver08").setMaster("local[2]")//开启WAL机制.set("spark.streaming.receiver.writeAheadLog.enable", "true")val ssc = new StreamingContext(sparkConf,Seconds(2))//需要设置checkpoint,将接受到的数据持久化写入到hdfs上ssc.checkpoint("hdfs://node01:8020/wal")//2、接受kafka数据val zkQuorum="node01:2181,node02:2181,node03:2181"val groupid="KafkaReceiver08"val topics=Map("test" ->1)//(String, String) 元组的第一位是消息的key，第二位表示消息的valueval receiverDstream: ReceiverInputDStream[(String, String)] = KafkaUtils.createStream(ssc,zkQuorum,groupid,topics)//3、获取kafka的topic数据val data: DStream[String] = receiverDstream.map(_._2)//4、单词计数val result: DStream[(String, Int)] = data.flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_)//5、打印结果result.print()//6、开启流式计算ssc.start()ssc.awaitTermination()}
}

方式二： Direct Approach (No Receivers)

这种新的不基于Receiver的直接方式，是在Spark 1.3中引入的，从而能够确保更加健壮的机制。替代掉使用Receiver来接收数据后，这种方式会周期性地查询Kafka，来获得每个topic+partition的最新的offset，从而定义每个batch的offset的范围。当处理数据的job启动时，就会使用Kafka的简单consumer api来获取Kafka指定offset范围的数据。这种方式有如下优点：

1、简化并行读取：

如果要读取多个partition，不需要创建多个输入DStream然后对它们进行union操作。Spark会创建跟Kafka partition一样多的RDD partition，并且会并行从Kafka中读取数据。所以在Kafka partition和RDD partition之间，有一个一对一的映射关系。

2、高性能

如果要保证零数据丢失，在基于receiver的方式中，需要开启WAL机制。这种方式其实效率低下，因为数据实际上被复制了两份，Kafka自己本身就有高可靠的机制，会对数据复制一份，而这里又会复制一份到WAL中。而基于direct的方式，不依赖Receiver，不需要开启WAL机制，只要Kafka中作了数据的复制，那么就可以通过Kafka的副本进行恢复。

3、一次且仅一次的事务机制

基于receiver的方式，是使用Kafka的高阶API来在ZooKeeper中保存消费过的offset的。这是消费Kafka数据的传统方式。这种方式配合着WAL机制可以保证数据零丢失的高可靠性，但是却无法保证数据被处理一次且仅一次，可能会处理两次。因为Spark和ZooKeeper之间可能是不同步的。

4、降低资源

Direct不需要Receivers，其申请的Executors全部参与到计算任务中；而Receiver-based则需要专门的Receivers来读取Kafka数据且不参与计算。因此相同的资源申请，Direct 能够支持更大的业务。

5、降低内存

Receiver-based的Receiver与其他Exectuor是异步的，并持续不断接收数据，对于小业务量的场景还好，如果遇到大业务量时，需要提高Receiver的内存，但是参与计算的Executor并无需那么多的内存。而Direct 因为没有Receiver，而是在计算时读取数据，然后直接计算，所以对内存的要求很低。实际应用中我们可以把原先的10G降至现在的2-4G左右。

6、鲁棒性更好

Receiver-based方法需要Receivers来异步持续不断的读取数据，因此遇到网络、存储负载等因素，导致实时任务出现堆积，但Receivers却还在持续读取数据，此种情况很容易导致计算崩溃。Direct 则没有这种顾虑，其Driver在触发batch计算任务时，才会读取数据并计算。队列出现堆积并不会引起程序的失败。

SparkStreaming与Kafka-0-8整合

支持0.8版本，或者更高的版本
pom.xml文件添加内容如下：

<dependency><groupId>org.apache.spark</groupId><artifactId>spark-streaming-kafka-0-8_2.11</artifactId><version>2.3.3</version>
</dependency>

代码演示：

package com.kaikeba.streaming.kafkaimport kafka.serializer.StringDecoder
import org.apache.log4j.{Level, Logger}
import org.apache.spark.SparkConf
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.streaming.dstream.{DStream, InputDStream, ReceiverInputDStream}
import org.apache.spark.streaming.kafka.KafkaUtils/*** sparkStreaming使用kafka 0.8API基于Direct直连来接受消息* spark direct API接收kafka消息，从而不需要经过zookeeper，直接从broker上获取信息。*/
object KafkaDirect08 {def main(args: Array[String]): Unit = {Logger.getLogger("org").setLevel(Level.ERROR)//1、创建StreamingContext对象val sparkConf= new SparkConf().setAppName("KafkaDirect08").setMaster("local[2]")val ssc = new StreamingContext(sparkConf,Seconds(2))//2、接受kafka数据val  kafkaParams=Map("metadata.broker.list"->"node01:9092,node02:9092,node03:9092","group.id" -> "KafkaDirect08")val topics=Set("test")//使用direct直连的方式接受数据val kafkaDstream: InputDStream[(String, String)] = KafkaUtils.createDirectStream[String,String,StringDecoder,StringDecoder](ssc,kafkaParams,topics)//3、获取kafka的topic数据val data: DStream[String] = kafkaDstream.map(_._2)//4、单词计数val result: DStream[(String, Int)] = data.flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_)//5、打印结果result.print()//6、开启流式计算ssc.start()ssc.awaitTermination()}
}

要想保证数据不丢失，最简单的就是靠checkpoint的机制，但是checkpoint机制有个特点，如果代码升级了，checkpoint机制就失效了。所以如果想实现数据不丢失，那么就需要自己管理offset。

SparkStreaming与Kafka-0-10整合

支持0.10版本，或者更高的版本（推荐使用这个版本）
pom.xml文件添加内容如下：

<dependency><groupId>org.apache.spark</groupId><artifactId>spark-streaming-kafka-0-10_2.11</artifactId><version>2.3.3</version>
</dependency>

代码演示：

package com.kaikeba.streaming.kafkaimport org.apache.kafka.clients.consumer.ConsumerRecord
import org.apache.kafka.common.serialization.StringDeserializer
import org.apache.log4j.{Level, Logger}
import org.apache.spark.SparkConf
import org.apache.spark.rdd.RDD
import org.apache.spark.streaming.dstream.InputDStream
import org.apache.spark.streaming.kafka010._
import org.apache.spark.streaming.{Seconds, StreamingContext}object KafkaDirect10 {def main(args: Array[String]): Unit = {Logger.getLogger("org").setLevel(Level.ERROR)//1、创建StreamingContext对象val sparkConf= new SparkConf().setAppName("KafkaDirect10").setMaster("local[2]")val ssc = new StreamingContext(sparkConf,Seconds(2))//2、使用direct接受kafka数据//准备配置val topic =Set("test")val kafkaParams=Map("bootstrap.servers" ->"node01:9092,node02:9092,node03:9092","group.id" -> "KafkaDirect10","key.deserializer" -> classOf[StringDeserializer],"value.deserializer" -> classOf[StringDeserializer],"enable.auto.commit" -> "false")val kafkaDStream: InputDStream[ConsumerRecord[String, String]] = 	 KafkaUtils.createDirectStream[String, String](ssc,//数据本地性策略LocationStrategies.PreferConsistent, //指定要订阅的topicConsumerStrategies.Subscribe[String, String](topic, kafkaParams))//3、对数据进行处理//如果你想获取到消息消费的偏移，这里需要拿到最开始的这个Dstream进行操作//如果你对该DStream进行了其他的转换之后，生成了新的DStream，新的DStream不在保存对应的消息的偏移量kafkaDStream.foreachRDD(rdd =>{//获取消息内容val dataRDD: RDD[String] = rdd.map(_.value())//打印dataRDD.foreach(line =>{println(line)})//4、提交偏移量信息，把偏移量信息添加到kafka中val offsetRanges: Array[OffsetRange] =   rdd.asInstanceOf[HasOffsetRanges].offsetRangeskafkaDStream.asInstanceOf[CanCommitOffsets].commitAsync(offsetRanges)})//5、开启流式计算ssc.start()ssc.awaitTermination()}}

解决SparkStreaming与Kafka0.8版本整合数据不丢失方案

方案设计如下：

一般企业来说无论你是使用哪一套api去消费kafka中的数据，都是设置手动提交偏移量。

如果是自动提交偏移量（默认60s提交一次）这里可能会出现问题？
（1）数据处理失败了，自动提交了偏移量。会出现数据的丢失。
（2）数据处理成功了，自动提交偏移量成功（比较理想），但是有可能出现自动提交偏移量失败。
会出现把之前消费过的数据再次消费，这里就出现了数据的重复处理。
自动提交偏移量风险比较高，可能会出现数据丢失或者数据被重复处理，一般来说就手动去提交偏移量，这里我们是可以去操作什么时候去提交偏移量，把偏移量的提交通过消费者程序自己去维护。

代码开发，偏移量存入Zookeeper

package com.kaikeba.streaming.kafkaimport kafka.common.TopicAndPartition
import kafka.message.MessageAndMetadata
import kafka.serializer.StringDecoder
import kafka.utils.{ZKGroupTopicDirs, ZkUtils}
import org.I0Itec.zkclient.ZkClient
import org.apache.spark.SparkConf
import org.apache.spark.rdd.RDD
import org.apache.spark.streaming.dstream.InputDStream
import org.apache.spark.streaming.kafka.{HasOffsetRanges, KafkaUtils}
import org.apache.spark.streaming.{Seconds, StreamingContext}/*** 使用直连方式 SparkStreaming连接kafka0.8获取数据* 手动将偏移量数据保存到zookeeper中*/
object KafkaManagerOffset08 {def main(args: Array[String]): Unit = {//todo:1、创建SparkConf 提交到集群中运行 不要设置master参数val conf = new SparkConf().setAppName("KafkaManagerOffset08").setMaster("local[4]")//todo: 2、设置SparkStreaming，并设定间隔时间val ssc = new StreamingContext(conf, Seconds(5))//todo:3、指定相关参数//指定组名val groupID = "consumer-kaikeba"//指定消费者的topic名字val topic = "wordcount"//指定kafka的broker地址val brokerList = "node01:9092,node02:9092,node03:9092"//指定zookeeper的地址，用来存放数据偏移量数据，也可以使用Redis MySQL等val zkQuorum = "node01:2181,node02:2181,node03:2181"//创建Stream时使用的topic名字集合，SparkStreaming可同时消费多个topicval topics: Set[String] = Set(topic)//创建一个 ZKGroupTopicDirs 对象，就是用来指定在zk中的存储目录，用来保存数据偏移量val topicDirs = new ZKGroupTopicDirs(groupID, topic)//获取 zookeeper 中的路径 "/consumers/consumer-kaikeba/offsets/wordcount"val zkTopicPath = topicDirs.consumerOffsetDir//构造一个zookeeper的客户端 用来读写偏移量数据val zkClient = new ZkClient(zkQuorum)//准备kafka的参数val kafkaParams = Map("metadata.broker.list" -> brokerList,"group.id" -> groupID,"enable.auto.commit" -> "false")//todo:4、定义kafkaStream流var kafkaStream: InputDStream[(String, String)] = null//todo:5、获取指定的zk节点的子节点个数val childrenNum = getZkChildrenNum(zkClient,zkTopicPath)//todo:6、判断是否保存过数据 根据子节点的数量是否为0if (childrenNum > 0) {//构造一个map集合用来存放数据偏移量信息var fromOffsets: Map[TopicAndPartition, Long] = Map()//遍历子节点for (i <- 0 until childrenNum) {//获取子节点  /consumers/consumer-kaikeba/offsets/wordcount/0val partitionOffset: String = zkClient.readData[String](s"$zkTopicPath/$i")// /wordcount-----0val tp = TopicAndPartition(topic, i)//获取数据偏移量  将不同分区内的数据偏移量保存到map集合中//  wordcount/0 -> 1001fromOffsets += (tp -> partitionOffset.toLong)}// 泛型中 key：kafka中的key   value：hello tom hello jerry//创建函数 解析数据 转换为（topic_name, message）的元组val messageHandler = (mmd: MessageAndMetadata[String, String]) => (mmd.topic, mmd.message())//todo:7、利用底层的API创建DStream 采用直连的方式(之前已经消费了，从指定的位置消费)kafkaStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder, (String, String)](ssc, kafkaParams, fromOffsets, messageHandler)} else {//todo:7、利用底层的API创建DStream 采用直连的方式(之前没有消费，这是第一次读取数据)//zk中没有子节点数据 就是第一次读取数据 直接创建直连对象kafkaStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](ssc, kafkaParams, topics)}//todo:8、直接操作kafkaStream//依次迭代DStream中的kafkaRDD 只有kafkaRDD才可以强转为HasOffsetRanges  从中获取数据偏移量信息//之后是操作的RDD 不能够直接操作DStream 因为调用Transformation方法之后就不是kafkaRDD了获取不了偏移量信息kafkaStream.foreachRDD(kafkaRDD => {//强转为HasOffsetRanges 获取offset偏移量数据val offsetRanges = kafkaRDD.asInstanceOf[HasOffsetRanges].offsetRanges//获取数据val lines: RDD[String] =kafkaRDD.map(_._2)//todo：9、接下来就是对RDD进行操作 触发actionlines.foreachPartition(patition => {patition.foreach(x => println(x))})//todo: 10、手动提交偏移量到zk集群上for (o <- offsetRanges) {//拼接zk路径   /consumers/consumer-kaikeba/offsets/wordcount/0val zkPath = s"${topicDirs.consumerOffsetDir}/${o.partition}"//将 partition 的偏移量数据 offset 保存到zookeeper中ZkUtils.updatePersistentPath(zkClient, zkPath, o.untilOffset.toString)}})//开启SparkStreaming 并等待退出ssc.start()ssc.awaitTermination()}/*** 获取zk节点上的子节点的个数* @param zkClient* @param zkTopicPath* @return*/def getZkChildrenNum(zkClient:ZkClient,zkTopicPath:String):Int ={//查询该路径下是否有子节点，即是否有分区读取数据记录的读取的偏移量// /consumers/consumer-kaikeba/offsets/wordcount/0// /consumers/consumer-kaikeba/offsets/wordcount/1// /consumers/consumer-kaikeba/offsets/wordcount/2//子节点的个数val childrenNum: Int = zkClient.countChildren(zkTopicPath)childrenNum}
}

这篇关于大数据-SparkStreaming（七）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！