Kafka+Spark Streaming+Redis实时计算整合实践

http://shiyanjun.cn/archives/1097.html

基于Spark通用计算平台，可以很好地扩展各种计算类型的应用，尤其是Spark提供了内建的计算库支持，像Spark Streaming、Spark SQL、MLlib、GraphX，这些内建库都提供了高级抽象，可以用非常简洁的代码实现复杂的计算逻辑、这也得益于Scala编程语言的简洁性。这里，我们基于1.3.0版本的Spark搭建了计算平台，实现基于Spark Streaming的实时计算。
我们的应用场景是分析用户使用手机App的行为，描述如下所示：

• 手机客户端会收集用户的行为事件（我们以点击事件为例），将数据发送到数据服务器，我们假设这里直接进入到Kafka消息队列
• 后端的实时服务会从Kafka消费数据，将数据读出来并进行实时分析，这里选择Spark Streaming，因为Spark Streaming提供了与Kafka整合的内置支持
• 经过Spark Streaming实时计算程序分析，将结果写入Redis，可以实时获取用户的行为数据，并可以导出进行离线综合统计分析

Spark Streaming介绍

Spark Streaming提供了一个叫做DStream（Discretized Stream）的高级抽象，DStream表示一个持续不断输入的数据流，可以基于Kafka、TCP Socket、Flume等输入数据流创建。在内部，一个DStream实际上是由一个RDD序列组成的。Sparking Streaming是基于Spark平台的，也就继承了Spark平台的各种特性，如容错（Fault-tolerant）、可扩展（Scalable）、高吞吐（High-throughput）等。
在Spark Streaming中，每个DStream包含了一个时间间隔之内的数据项的集合，我们可以理解为指定时间间隔之内的一个batch，每一个batch就构成一个RDD数据集，所以DStream就是一个个batch的有序序列，时间是连续的，按照时间间隔将数据流分割成一个个离散的RDD数据集，如图所示（来自官网）：

我们都知道，Spark支持两种类型操作：Transformations和Actions。Transformation从一个已知的RDD数据集经过转换得到一个新的RDD数据集，这些Transformation操作包括map、filter、flatMap、union、join等，而且Transformation具有lazy的特性，调用这些操作并没有立刻执行对已知RDD数据集的计算操作，而是在调用了另一类型的Action操作才会真正地执行。Action执行，会真正地对RDD数据集进行操作，返回一个计算结果给Driver程序，或者没有返回结果，如将计算结果数据进行持久化，Action操作包括reduceByKey、count、foreach、collect等。关于Transformations和Actions更详细内容，可以查看官网文档。
同样、Spark Streaming提供了类似Spark的两种操作类型，分别为Transformations和Output操作，它们的操作对象是DStream，作用也和Spark类似：Transformation从一个已知的DStream经过转换得到一个新的DStream，而且Spark Streaming还额外增加了一类针对Window的操作，当然它也是Transformation，但是可以更灵活地控制DStream的大小（时间间隔大小、数据元素个数），例如window(windowLength, slideInterval)、countByWindow(windowLength, slideInterval)、reduceByWindow(func, windowLength, slideInterval)等。Spark Streaming的Output操作允许我们将DStream数据输出到一个外部的存储系统，如数据库或文件系统等，执行Output操作类似执行Spark的Action操作，使得该操作之前lazy的Transformation操作序列真正地执行。

Kafka+Spark Streaming+Redis编程实践

下面，我们根据上面提到的应用场景，来编程实现这个实时计算应用。首先，写了一个Kafka Producer模拟程序，用来模拟向Kafka实时写入用户行为的事件数据，数据是JSON格式，示例如下：

1{"uid":"068b746ed4620d25e26055a9f804385f","event_time":"1430204612405","os_type":"Android","click_count":6}

一个事件包含4个字段：

• uid：用户编号
• event_time：事件发生时间戳
• os_type：手机App操作系统类型
• click_count：点击次数

下面是我们实现的代码，如下所示：

01package org.shirdrn.spark.streaming.utils

02 

03import java.util.Properties

04import scala.util.Properties

05import org.codehaus.jettison.json.JSONObject

06import kafka.javaapi.producer.Producer

07import kafka.producer.KeyedMessage

08import kafka.producer.KeyedMessage

09import kafka.producer.ProducerConfig

10import scala.util.Random

11 

12object KafkaEventProducer {

13  

14  private val users = Array(

15      "4A4D769EB9679C054DE81B973ED5D768", "8dfeb5aaafc027d89349ac9a20b3930f",

16      "011BBF43B89BFBF266C865DF0397AA71", "f2a8474bf7bd94f0aabbd4cdd2c06dcf",

17      "068b746ed4620d25e26055a9f804385f", "97edfc08311c70143401745a03a50706",

18      "d7f141563005d1b5d0d3dd30138f3f62", "c8ee90aade1671a21336c721512b817a",

19      "6b67c8c700427dee7552f81f3228c927", "a95f22eabc4fd4b580c011a3161a9d9d")

20      

21  private val random = new Random()

22      

23  private var pointer = -1

24  

25  def getUserID() : String = {

26       pointer = pointer + 1

27    if(pointer >= users.length) {

28      pointer = 0

29      users(pointer)

30    } else {

31      users(pointer)

32    }

33  }

34  

35  def click() : Double = {

36    random.nextInt(10)

37  }

38  

39  // bin/kafka-topics.sh --zookeeper zk1:2181,zk2:2181,zk3:2181/kafka --create --topic user_events --replication-factor 2 --partitions 2

40  // bin/kafka-topics.sh --zookeeper zk1:2181,zk2:2181,zk3:2181/kafka --list

41  // bin/kafka-topics.sh --zookeeper zk1:2181,zk2:2181,zk3:2181/kafka --describe user_events

42  // bin/kafka-console-consumer.sh --zookeeper zk1:2181,zk2:2181,zk3:22181/kafka --topic test_json_basis_event --from-beginning

43  def main(args: Array[String]): Unit = {

44    val topic = "user_events"

45    val brokers = "10.10.4.126:9092,10.10.4.127:9092"

46    val props = new Properties()

47    props.put("metadata.broker.list", brokers)

48    props.put("serializer.class", "kafka.serializer.StringEncoder")

49    

50    val kafkaConfig = new ProducerConfig(props)

51    val producer = new Producer[String, String](kafkaConfig)

52    

53    while(true) {

54      // prepare event data

55      val event = new JSONObject()

56      event

57        .put("uid", getUserID)

58        .put("event_time", System.currentTimeMillis.toString)

59        .put("os_type", "Android")

60        .put("click_count", click)

61      

62      // produce event message

63      producer.send(new KeyedMessage[String, String](topic, event.toString))

64      println("Message sent: " + event)

65      

66      Thread.sleep(200)

67    }

68  } 

69}

通过控制上面程序最后一行的时间间隔来控制模拟写入速度。下面我们来讨论实现实时统计每个用户的点击次数，它是按照用户分组进行累加次数，逻辑比较简单，关键是在实现过程中要注意一些问题，如对象序列化等。先看实现代码，稍后我们再详细讨论，代码实现如下所示：

01object UserClickCountAnalytics {

02 

03  def main(args: Array[String]): Unit = {

04    var masterUrl = "local[1]"

05    if (args.length > 0) {

06      masterUrl = args(0)

07    }

08 

09    // Create a StreamingContext with the given master URL

10    val conf = new SparkConf().setMaster(masterUrl).setAppName("UserClickCountStat")

11    val ssc = new StreamingContext(conf, Seconds(5))

12 

13    // Kafka configurations

14    val topics = Set("user_events")

15    val brokers = "10.10.4.126:9092,10.10.4.127:9092"

16    val kafkaParams = Map[String, String](

17      "metadata.broker.list" -> brokers, "serializer.class" -> "kafka.serializer.StringEncoder")

18 

19    val dbIndex = 1

20    val clickHashKey = "app::users::click"

21 

22    // Create a direct stream

23    val kafkaStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](ssc, kafkaParams, topics)

24 

25    val events = kafkaStream.flatMap(line => {

26      val data = JSONObject.fromObject(line._2)

27      Some(data)

28    })

29 

30    // Compute user click times

31    val userClicks = events.map(x => (x.getString("uid"), x.getInt("click_count"))).reduceByKey(_ + _)

32    userClicks.foreachRDD(rdd => {

33      rdd.foreachPartition(partitionOfRecords => {

34        partitionOfRecords.foreach(pair => {

35          val uid = pair._1

36          val clickCount = pair._2

37          val jedis = RedisClient.pool.getResource

38          jedis.select(dbIndex)

39          jedis.hincrBy(clickHashKey, uid, clickCount)

40          RedisClient.pool.returnResource(jedis)

41        })

42      })

43    })

44 

45    ssc.start()

46    ssc.awaitTermination()

47 

48  }

49}

上面代码使用了Jedis客户端来操作Redis，将分组计数结果数据累加写入Redis存储，如果其他系统需要实时获取该数据，直接从Redis实时读取即可。RedisClient实现代码如下所示：

01object RedisClient extends Serializable {

02  val redisHost = "10.10.4.130"

03  val redisPort = 6379

04  val redisTimeout = 30000

05  lazy val pool = new JedisPool(new GenericObjectPoolConfig(), redisHost, redisPort, redisTimeout)

06 

07  lazy val hook = new Thread {

08    override def run = {

09      println("Execute hook thread: " + this)

10      pool.destroy()

11    }

12  }

13  sys.addShutdownHook(hook.run)

14}