Spark Streaming和Kafka整合开发指南

转自：http://dataunion.org/15193.html

Apache Kafka是一个分布式的消息发布-订阅系统。可以说，任何实时大数据处理工具缺少与Kafka整合都是不完整的。本文将介绍如何使用Spark Streaming从Kafka中接收数据，这里将会介绍两种方法：（1）、使用Receivers和Kafka高层次的API；（2）、使用Direct API，这是使用低层次的KafkaAPI，并没有使用到Receivers，是Spark 1.3.0中开始引入的。这两种方法有不同的编程模型，性能特点和语义担保。下文将会一一介绍。

基于Receivers的方法

这个方法使用了Receivers来接收数据。Receivers的实现使用到Kafka高层次的消费者API。对于所有的Receivers，接收到的数据将会保存在Spark executors中，然后由Spark Streaming启动的Job来处理这些数据。

然而，在默认的配置下，这种方法在失败的情况下会丢失数据，为了保证零数据丢失，你可以在Spark Streaming中使用WAL日志，这是在Spark 1.2.0才引入的功能，这使得我们可以将接收到的数据保存到WAL中（WAL日志可以存储在HDFS上），所以在失败的时候，我们可以从WAL中恢复，而不至于丢失数据。

下面，我将介绍如何使用这种方法来接收数据。

1、引入依赖。

对于Scala和Java项目，你可以在你的pom.xml文件引入以下依赖：

1<dependency>

2  <groupId>org.apache.spark</groupId>

3  <artifactId>spark-streaming-kafka_2.10</artifactId>

4  <version>1.3.0</version>

5</dependency>

如果你是使用SBT，可以这么引入：

1libraryDependencies += "org.apache.spark" % "spark-streaming-kafka_2.10" % "1.3.0"

2、编程

在Streaming程序中，引入KafkaUtils，并创建一个输入DStream：

1import org.apache.spark.streaming.kafka._

2 

3val kafkaStream = KafkaUtils.createStream(streamingContext,

4    [ZK quorum], [consumer group id], [per-topic number of Kafka partitions to consume])

在创建DStream的时候，你也可以指定数据的Key和Value类型，并指定相应的解码类。

　　需要注意的是：
1、Kafka中Topic的分区和Spark Streaming生成的RDD中分区不是一个概念。所以，在KafkaUtils.createStream()增加特定主题分区数仅仅是增加一个receiver中消费Topic的线程数。并不增加Spark并行处理数据的数量；　　2、对于不同的Group和tpoic我们可以使用多个receivers创建不同的DStreams来并行接收数据；

3、如果你启用了WAL，这些接收到的数据将会被持久化到日志中，因此，我们需要将storage level 设置为StorageLevel.MEMORY_AND_DISK_SER ,也就是：

1KafkaUtils.createStream(..., StorageLevel.MEMORY_AND_DISK_SER)

3、部署

对应任何的Spark 应用，我们都是用spark-submit来启动你的应用程序，对于Scala和Java用户，如果你使用的是SBT或者是Maven，你可以将spark-streaming-kafka_2.10及其依赖打包进应用程序的Jar文件中，并确保spark-core_2.10和 spark-streaming_2.10标记为provided，因为它们在Spark 安装包中已经存在：

01<dependency>

02          <groupId>org.apache.spark</groupId>

03          <artifactId>spark-streaming_2.10</artifactId>

04          <version>1.3.0</version>

05          <scope>provided</scope>

06</dependency>

07 

08<dependency>

09          <groupId>org.apache.spark</groupId>

10          <artifactId>spark-core_2.10</artifactId>

11          <version>1.3.0</version>

12          <scope>provided</scope>

13</dependency>

然后使用spark-submit来启动你的应用程序。

　　当然，你也可以不在应用程序Jar文件中打包spark-streaming-kafka_2.10及其依赖，我们可以在spark-submit后面加上–jars参数也可以运行你的程序：

1[iteblog@ spark]$ spark-1.3.0-bin-2.6.0/bin/spark-submit  --master yarn-cluster

2　　　　--class iteblog.KafkaTest 

3　　　　--jars lib/spark-streaming-kafka_2.10-1.3.0.jar,

4　　　　lib/spark-streaming_2.10-1.3.0.jar,

5　　　　lib/kafka_2.10-0.8.1.1.jar,lib/zkclient-0.3.jar,

6　　　　lib/metrics-core-2.2.0.jar ./iteblog-1.0-SNAPSHOT.jar

下面是一个完整的例子：

01object KafkaWordCount {

02  def main(args: Array[String]) {

03    if (args.length < 4) {

04      System.err.println("Usage: KafkaWordCount <zkQuorum> <group> <topics> <numThreads>")

05      System.exit(1)

06    }

07 

08    StreamingExamples.setStreamingLogLevels()

09 

10    val Array(zkQuorum, group, topics, numThreads) = args

11    val sparkConf = new SparkConf().setAppName("KafkaWordCount")

12    val ssc =  new StreamingContext(sparkConf, Seconds(2))

13    ssc.checkpoint("checkpoint")

14 

15    val topicMap = topics.split(",").map((_,numThreads.toInt)).toMap

16    val lines = KafkaUtils.createStream(ssc, zkQuorum, group, topicMap).map(_._2)

17    val words = lines.flatMap(_.split(" "))

18    val wordCounts = words.map(x => (x, 1L))

19      .reduceByKeyAndWindow(_ + _, _ - _, Minutes(10), Seconds(2), 2)

20    wordCounts.print()

21 

22    ssc.start()

23    ssc.awaitTermination()

24  }

25}

基于Direct API的方法

和基于Receiver接收数据不一样，这种方式定期地从Kafka的topic+partition中查询最新的偏移量，再根据定义的偏移量范围在每个batch里面处理数据。当作业需要处理的数据来临时，spark通过调用Kafka的简单消费者API读取一定范围的数据。这个特性目前还处于试验阶段，而且仅仅在Scala和Java语言中提供相应的API。

和基于Receiver方式相比，这种方式主要有一些几个优点：
（1）、简化并行。我们不需要创建多个Kafka 输入流，然后union他们。而使用directStream，Spark Streaming将会创建和Kafka分区一样的RDD分区个数，而且会从Kafka并行地读取数据，也就是说Spark分区将会和Kafka分区有一一对应的关系，这对我们来说很容易理解和使用；

（2）、高效。第一种实现零数据丢失是通过将数据预先保存在WAL中，这将会复制一遍数据，这种方式实际上很不高效，因为这导致了数据被拷贝两次：一次是被Kafka复制；另一次是写到WAL中。但是本文介绍的方法因为没有Receiver，从而消除了这个问题，所以不需要WAL日志；

（3）、恰好一次语义（Exactly-once semantics）。《Spark Streaming和Kafka整合开发指南(一)》文章中通过使用Kafka高层次的API把偏移量写入Zookeeper中，这是读取Kafka中数据的传统方法。虽然这种方法可以保证零数据丢失，但是还是存在一些情况导致数据会丢失，因为在失败情况下通过Spark Streaming读取偏移量和Zookeeper中存储的偏移量可能不一致。而本文提到的方法是通过Kafka低层次的API，并没有使用到Zookeeper，偏移量仅仅被Spark Streaming保存在Checkpoint中。这就消除了Spark Streaming和Zookeeper中偏移量的不一致，而且可以保证每个记录仅仅被Spark Streaming读取一次，即使是出现故障。

但是本方法唯一的坏处就是没有更新Zookeeper中的偏移量，所以基于Zookeeper的Kafka监控工具将会无法显示消费的状况。然而你可以通过Spark提供的API手动地将偏移量写入到Zookeeper中。如何使用呢？其实和方法一差不多

1、引入依赖。

对于Scala和Java项目，你可以在你的pom.xml文件引入以下依赖：

1<dependency>

2  <groupId>org.apache.spark</groupId>

3  <artifactId>spark-streaming-kafka_2.10</artifactId>

4  <version>1.3.0</version>

5</dependency>

如果你是使用SBT，可以这么引入：

1libraryDependencies += "org.apache.spark" % "spark-streaming-kafka_2.10" % "1.3.0"

2、编程

在Streaming应用程序代码中，引入KafkaUtils ，并创建DStream输入流：

1import org.apache.spark.streaming.kafka._

2 

3val directKafkaStream = KafkaUtils.createDirectStream[

4    [key class], [value class], [key decoder class], [value decoder class] ](

5    streamingContext, [map of Kafka parameters], [set of topics to consume])

在 Kafka parameters参数中，你必须指定 metadata.broker.list或者bootstrap.servers参数。在默认情况下，Spark Streaming将会使用最大的偏移量来读取Kafka每个分区的数据。如果你配置了auto.offset.reset为smallest，那么它将会从最小的偏移量开始消费。

当然，你也可以使用KafkaUtils.createDirectStream的另一个版本从任意的位置消费数据。如果你想回去每个batch中Kafka的偏移量，你可以如下操作：

1directKafkaStream.foreachRDD { rdd =>

2    val offsetRanges = rdd.asInstanceOf[HasOffsetRanges]

3    // offsetRanges.length = # of Kafka partitions being consumed

4    ...

5}

你可以通过这种方式来手动地更新Zookeeper里面的偏移量，使得基于Zookeeper偏移量的Kafka监控工具可以使用。

还有一点需要注意，因为这里介绍的方法没有使用到Receiver，所以Spark中关于spark.streaming.receiver.*相关的配置参数将不会对创建DStreams 有影响。我们可以使用spark.streaming.kafka.*参数进行配置。

3、部署

对应任何的Spark 应用，我们都是用spark-submit来启动你的应用程序，对于Scala和Java用户，如果你使用的是SBT或者是Maven，你可以将spark-streaming-kafka_2.10及其依赖打包进应用程序的Jar文件中，并确保spark-core_2.10和 spark-streaming_2.10标记为provided，因为它们在Spark 安装包中已经存在：

01<dependency>

02          <groupId>org.apache.spark</groupId>

03          <artifactId>spark-streaming_2.10</artifactId>

04          <version>1.3.0</version>

05          <scope>provided</scope>

06</dependency>

07 

08<dependency>

09          <groupId>org.apache.spark</groupId>

10          <artifactId>spark-core_2.10</artifactId>

11          <version>1.3.0</version>

12          <scope>provided</scope>

13</dependency>

然后使用spark-submit来启动你的应用程序。