8.输入DStream之Kafka数据源实战（基于Receiver的方式）

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

groupId = org.apache.sparkartifactId = spark-streaming-kafka_2.10version = 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("MyTestWordCount", 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;@Overridepublic 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;@Overridepublic 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;@Overridepublic 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)：