9.输入DStream之Kafka数据源实战（基于Direct的方式）

基于Direct的方式

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。

    基于direct的方式，使用kafka的简单api，Spark Streaming自己就负责追踪消费的offset，并保存在checkpoint中。Spark自己一定是同步的，因此可以保证数据是消费一次且仅消费一次。

 JavaPairReceiverInputDStream<String, String> directKafkaStream =  KafkaUtils.createDirectStream(streamingContext, [key class], [value class], [key decoder class], [value decoder class],[map of Kafka parameters], [set of topics to consume]);

Kafka命令

bin/kafka-topics.sh --zookeeper 172.20.10.117:2181, 172.20.10.118:2181, 172.20.10.119:2181 --topic TestTopic --replication-factor 1 --partitions 1 --createbin/kafka-console-producer.sh --broker-list 172.20.10.117:9092, 172.20.10.118:9092, 172.20.10.119:9092 --topic WordCountmetadata.broker.list

java版本代码

package cn.spark.study.streaming;import java.util.Arrays;import java.util.HashMap;import java.util.HashSet;import java.util.Map;import java.util.Set;import kafka.serializer.StringDecoder;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.JavaPairInputDStream;import org.apache.spark.streaming.api.java.JavaStreamingContext;import org.apache.spark.streaming.kafka.KafkaUtils;import scala.Tuple2;/** * 基于Kafka Direct方式的实时wordcount程序 * @author Administrator * */public class KafkaDirectWordCount {public static void main(String[] args) {SparkConf conf = new SparkConf().setMaster("local[2]").setAppName("KafkaDirectWordCount");  JavaStreamingContext jssc = new JavaStreamingContext(conf, Durations.seconds(5));// 首先，要创建一份kafka参数mapMap<String, String> kafkaParams = new HashMap<String, String>();kafkaParams.put("metadata.broker.list", "172.20.10.117:9092,172.20.10.118:9092,172.20.10.119:9092");// 然后，要创建一个set，里面放入，你要读取的topic// 这个，就是我们所说的，它自己给你做的很好，可以并行读取多个topicSet<String> topics = new HashSet<String>();topics.add("WordCount");// 创建输入DStreamJavaPairInputDStream<String, String> lines = KafkaUtils.createDirectStream(jssc, String.class, String.class, StringDecoder.class, StringDecoder.class, kafkaParams, topics);// 执行wordcount操作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)：