Spark Streaming通过直连的方式消费Kafka中的数据
来源:互联网 发布:系统优化加速专家 编辑:程序博客网 时间:2024/06/05 04:49
为什么采用直连(createDirectStream)的方式,主要有以下几个原因:
1.createDirectStream的方式从Kafka集群中读取数据,并且在Spark Streaming系统里面维护偏移量相关的信息,实现零数据丢失,保证不重复消费,比createStream更高效;
但是采用直连(createDirectStream)的方式有一个缺点,就是不再向zookeeper中更新offset信息。2.创建的DStream的rdd的partition做到了和Kafka中topic的partition一一对应。
因此,在采用直连的方式消费kafka中的数据的时候,大体思路是首先获取保存在zookeeper中的偏移量信息,根据偏移量信息去创建stream,消费数据后再把当前的偏移量写入zookeeper中。在创建stream时需要考虑以下几点:
1.zookeeper中没有偏移量信息,此时按照自定义的kafka参数的配置创建stream;
2.zookeeper中保存了偏移量信息,但由于各种原因kafka清理掉了该处偏移量的数据,此时需要对偏移量进行修正,否则在运行时会出现偏移量越界的异常。 解决方法是调用spark-streaming-kafka API 中 KafkaCluster这个类中的方法获取broker中实际的最大最小偏移量,和zookeeper中偏移量进行对比来修正偏移量信息。在2.0以前的版本中KafkaCluster这个类是private权限的,需要把它拷贝到项目里使用。2.0以后的版本中修改KafkaCluster的权限为public,可以尽情调用了。
为了方便调用,本人在使用时写了一个KafkaHelper的类,将创建stream和更新zookeeper中offset的代码封装了起来,代码如下:
import kafka.common.TopicAndPartitionimport kafka.message.MessageAndMetadataimport kafka.serializer.StringDecoderimport kafka.utils.{ZKGroupTopicDirs, ZkUtils}import org.I0Itec.zkclient.ZkClientimport org.apache.spark.SparkExceptionimport org.apache.spark.streaming.StreamingContextimport org.apache.spark.streaming.dstream.InputDStreamimport org.apache.spark.streaming.kafka.{KafkaCluster, KafkaUtils, OffsetRange}import org.apache.spark.streaming.kafka.KafkaCluster.Err/** * KafkaHelper类提供两个共有方法,一个用来创建direct方式的DStream,另一个用来更新zookeeper中的消费偏移量 * @param kafkaPrams kafka配置参数 * @param zkQuorum zookeeper列表 * @param group 消费组 * @param topic 消费主题 */class KafkaHelper(kafkaPrams:Map[String,String],zkQuorum:String,group:String,topic:String) extends Serializable{ private val kc = new KafkaCluster(kafkaPrams) private val zkClient = new ZkClient(zkQuorum) private val topics = Set(topic) /** * 获取消费组group下的主题topic在zookeeper中的保存路径 * @return */ private def getZkPath():String={ val topicDirs = new ZKGroupTopicDirs(group,topic) val zkPath = topicDirs.consumerOffsetDir zkPath } /** * 获取偏移量信息 * @param children 分区数 * @param zkPath zookeeper中的topic信息的路径 * @param earlistLeaderOffsets broker中的实际最小偏移量 * @param latestLeaderOffsets broker中的实际最大偏移量 * @return */ private def getOffsets(children:Int,zkPath:String,earlistLeaderOffsets:Map[TopicAndPartition, KafkaCluster.LeaderOffset],latestLeaderOffsets: Map[TopicAndPartition, KafkaCluster.LeaderOffset]): Map[TopicAndPartition, Long] = { var fromOffsets: Map[TopicAndPartition, Long] = Map() for(i <- 0 until children){ //获取zookeeper记录的分区偏移量 val zkOffset = zkClient.readData[String](s"${zkPath}/${i}").toLong val tp = TopicAndPartition(topic,i) //获取broker中实际的最小和最大偏移量 val earlistOffset: Long = earlistLeaderOffsets(tp).offset val latestOffset: Long = latestLeaderOffsets(tp).offset //将实际的偏移量和zookeeper记录的偏移量进行对比,如果zookeeper中记录的偏移量在实际的偏移量范围内则使用zookeeper中的偏移量, //反之,使用实际的broker中的最小偏移量 if(zkOffset>=earlistOffset && zkOffset<=latestOffset) { fromOffsets += (tp -> zkOffset) }else{ fromOffsets += (tp -> earlistOffset) } } fromOffsets } /** * 创建DStream * @param ssc * @return */ def createDirectStream(ssc:StreamingContext):InputDStream[(String, String)]={ //----------------------获取broker中实际偏移量--------------------------------------------- val partitionsE: Either[Err, Set[TopicAndPartition]] = kc.getPartitions(topics) if(partitionsE.isLeft) throw new SparkException("get kafka partitions failed:") val partitions = partitionsE.right.get val earlistLeaderOffsetsE: Either[Err, Map[TopicAndPartition, KafkaCluster.LeaderOffset]] = kc.getEarliestLeaderOffsets(partitions) if(earlistLeaderOffsetsE.isLeft) throw new SparkException("get kafka earlistLeaderOffsets failed:") val earlistLeaderOffsets: Map[TopicAndPartition, KafkaCluster.LeaderOffset] = earlistLeaderOffsetsE.right.get val latestLeaderOffsetsE: Either[Err, Map[TopicAndPartition, KafkaCluster.LeaderOffset]] = kc.getLatestLeaderOffsets(partitions) if(latestLeaderOffsetsE.isLeft) throw new SparkException("get kafka latestLeaderOffsets failed:") val latestLeaderOffsets: Map[TopicAndPartition, KafkaCluster.LeaderOffset] = latestLeaderOffsetsE.right.get //----------------------创建kafkaStream---------------------------------------------------- var kafkaStream:InputDStream[(String, String)]=null val zkPath: String = getZkPath() val children = zkClient.countChildren(zkPath) //根据zookeeper中是否有偏移量数据判断有没有消费过kafka中的数据 if(children > 0){ val fromOffsets:Map[TopicAndPartition, Long] = getOffsets(children,zkPath,earlistLeaderOffsets,latestLeaderOffsets) val messageHandler = (mmd: MessageAndMetadata[String, String]) => (mmd.topic, mmd.message()) //如果消费过,根据偏移量创建Stream kafkaStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder, (String, String)]( ssc, kafkaPrams, fromOffsets, messageHandler) }else{ //如果没有消费过,根据kafkaPrams配置信息从最早的数据开始创建Stream kafkaStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](ssc, kafkaPrams, topics) } kafkaStream } /** * 更新zookeeper中的偏移量 * @param offsetRanges */ def updateZkOffsets(offsetRanges:Array[OffsetRange])={ val zkPath: String = getZkPath() for( o <- offsetRanges){ val newZkPath = s"${zkPath}/${o.partition}" //将该 partition 的 offset 保存到 zookeeper ZkUtils.updatePersistentPath(zkClient, newZkPath, o.fromOffset.toString) } }}
测试代码如下:
import org.apache.spark.SparkConfimport org.apache.spark.streaming.dstream.InputDStreamimport org.apache.spark.streaming.kafka.{HasOffsetRanges, OffsetRange}import org.apache.spark.streaming.{Seconds, StreamingContext}object TestKafkaHelper { def main(args: Array[String]): Unit = { if(args.length<5){ println("Usage:<timeInterval> <brokerList> <zkQuorum> <topic> <group>") System.exit(1) } val Array(timeInterval,brokerList,zkQuorum,topic,group) = args val conf = new SparkConf().setAppName("KafkaDirectStream").setMaster("local[2]") val ssc = new StreamingContext(conf,Seconds(timeInterval.toInt)) //kafka配置参数 val kafkaParams = Map( "metadata.broker.list" -> brokerList, "group.id" -> group, "auto.offset.reset" -> kafka.api.OffsetRequest.SmallestTimeString ) val kafkaHelper = new KafkaHelper(kafkaParams,zkQuorum,topic,group) val kafkaStream: InputDStream[(String, String)] = kafkaHelper.createDirectStream(ssc) var offsetRanges = Array[OffsetRange]() kafkaStream.transform( rdd =>{ offsetRanges = rdd.asInstanceOf[HasOffsetRanges].offsetRanges rdd }).map( msg => msg._2) .foreachRDD( rdd => { rdd.foreachPartition( partition =>{ partition.foreach( record =>{ //处理数据的方法 println(record) }) }) kafkaHelper.updateZkOffsets(offsetRanges) }) ssc.start() ssc.awaitTermination() ssc.stop() }}
- Spark Streaming通过直连的方式消费Kafka中的数据
- spark streaming 通过zookeeper读取kafka上的数据
- spark streaming从指定offset处消费Kafka数据
- spark streaming从指定offset处消费Kafka数据
- spark-streaming 编程(三)连接kafka消费数据
- spark streaming从指定offset处消费Kafka数据
- spark-streaming系列------- 3. Kafka DirectDStream方式数据的接收
- spark-streaming系列------- 3. Kafka DirectDStream方式数据的接收
- spark-streaming系列------- 3. Kafka DirectDStream方式数据的接收
- spark streaming集成kafka接收数据的方式
- Spark Streaming获取kafka数据的两种方式
- spark streaming接kafka数据方式汇总
- SparkStreaming采用直连方式(Direct Approach)获取Kafka数据的研究心得
- spark-streaming 读取kafka的方式
- 关于Spark Streaming微批次,Flink真正流处理 消费Kafka数据,处理数据的差距对比
- Spark-Streaming获取kafka数据的两种方式-Receiver与Direct的方式
- Spark-Streaming获取kafka数据的两种方式-Receiver与Direct的方式
- Spark-Streaming获取kafka数据的两种方式-Receiver与Direct的方式
- 二叉树的层次遍历
- jQuery.hide() 函数详解(转)
- 安卓开发-xml的序列化和解析实例
- OS X 10.12 下在VisualBox中安装 Ubuntu14.04+Ros indigo
- Spring-知识点合集
- Spark Streaming通过直连的方式消费Kafka中的数据
- E
- mac小技能
- 总结一下这几天的coding和刷笔试题的感受
- 二维数组
- MQTT--mqttws31.js源码
- CorelDRAW 巧克力让人联想的才是真的杰作不是吗
- LaTex: 基础知识
- java解析Pcap(io.pkts)