Kafka与Spark整合

在本章中，将讨论如何将Apache Kafka与Spark Streaming API集成。

Spark是什么？

Spark Streaming API支持实时数据流的可扩展，高吞吐量，容错流处理。 数据可以从Kafka，Flume，Twitter等许多来源获取，并且可以使用复杂算法进行处理，例如:映射，缩小，连接和窗口等高级功能。 最后，处理后的数据可以推送到文件系统，数据库和现场仪表板上。 弹性分布式数据集(RDD)是Spark的基础数据结构。 它是一个不可变的分布式对象集合。 RDD中的每个数据集都被划分为逻辑分区，这些分区可以在集群的不同节点上进行计算。

与Spark整合

Kafka是Spark流媒体的潜在消息传递和集成平台。 Kafka充当实时数据流的中心枢纽，并使用Spark Streaming中的复杂算法进行处理。 数据处理完成后，Spark Streaming可以将结果发布到HDFS，数据库或仪表板中的另一个Kafka主题中。 下图描述了概念流程。

现在，详细介绍一下Kafka-Spark API。

SparkConf API

它代表Spark应用程序的配置。 用于将各种Spark参数设置为键值对。

SparkConf类具有以下方法 -

• set(string key, string value)− 设置配置变量。
• remove(string key)− 从配置中删除键。
• setAppName(string name)− 为应用程序设置应用程序名称。
• get(string key)− 获得键。

StreamingContext API

这是Spark功能的主要入口点。 SparkContext表示与Spark群集的连接，并且可用于在群集上创建RDD，累加器和广播变量。 签名的定义如下所示。

public StreamingContext(String master, String appName, Duration batchDuration, 
   String sparkHome, scala.collection.Seqjars, 
   scala.collection.Map environment)

• master - 要连接的群集URL(例如，mesos://host:port，spark://host:port，local [4])。
• appName - 作业的名称，以显示在集群Web UI上。
• batchDuration - 流数据将被分成批次的时间间隔。

public StreamingContext(SparkConf conf, Duration batchDuration)

通过提供新的SparkContext所需的配置来创建StreamingContext。

• conf - Spark参数。
• batchDuration - 流数据将被分成批次的时间间隔。

KafkaUtils API

KafkaUtils API用于将Kafka集群连接到Spark流。 该API具有如下定义的重要方法createStream签名。

public static ReceiverInputDStream> createStream(
   StreamingContext ssc, String zkQuorum, String groupId,
   scala.collection.immutable.Map topics, StorageLevel storageLevel)

上面显示的方法用于创建从Kafka Brokers中提取消息的输入流。

• ssc- StreamingContext对象。
• zkQuorum- Zookeeper仲裁。
• groupId- 此消费者的组ID。
• topics- 返回要消费的主题地图。
• storageLevel- 用于存储接收对象的存储级别。

KafkaUtils API还有另一种方法createDirectStream，它用于创建一个输入流，直接从Kafka Brokers中提取消息而不使用任何接收器。 此流可以保证来自Kafka的每条消息都只包含在一次转换中。

示例应用程序在Scala中完成。 要编译应用程序，请下载并安装sbt，scala构建工具(与maven类似)。 主应用程序代码如下所示。

import java.util.HashMap

import org.apache.kafka.clients.producer.{KafkaProducer, ProducerConfig, Produc-erRecord}
import org.apache.spark.SparkConf
import org.apache.spark.streaming._
import org.apache.spark.streaming.kafka._

object KafkaWordCount {
   def main(args: Array[String]) {
      if (args.length < 4) { System.err.println("Usage: KafkaWordCount")
         System.exit(1)
      }

      val Array(zkQuorum, group, topics, numThreads) = args
      val sparkConf = new SparkConf().setAppName("KafkaWordCount")
      val ssc = new StreamingContext(sparkConf, Seconds(2))
      ssc.checkpoint("checkpoint")

      val topicMap = topics.split(",").map((_, numThreads.toInt)).toMap
      val lines = KafkaUtils.createStream(ssc, zkQuorum, group, topicMap).map(_._2)
      val words = lines.flatMap(_.split(" "))
      val wordCounts = words.map(x => (x, 1L))
         .reduceByKeyAndWindow(_ + _, _ - _, Minutes(10), Seconds(2), 2)
      wordCounts.print()

      ssc.start()
      ssc.awaitTermination()
   }
}

构建脚本
spark-kafka集成取决于spark，spark流和spark Kafka集成jar。 创建一个新的文件build.sbt并指定应用程序的详细信息及其依赖关系。sbt将在编译和打包应用程序时下载必要的jar。

name := "Spark Kafka Project"
version := "1.0"
scalaVersion := "2.10.5"

libraryDependencies += "org.apache.spark" %% "spark-core" % "1.6.0"
libraryDependencies += "org.apache.spark" %% "spark-streaming" % "1.6.0"
libraryDependencies += "org.apache.spark" %% "spark-streaming-kafka" % "1.6.0"

编译/包

运行以下命令来编译和打包应用程序的jar文件。 需要将jar文件提交到spark控制台来运行应用程序。

sbt package

提交给Spark

启动Kafka Producer CLI(在前一章中介绍)，创建一个名称为my-first-topic的新主题，并提供一些示例消息，如下所示。

Another spark test message

运行以下命令将应用程序提交到 spark 控制台。

/usr/local/spark/bin/spark-submit --packages org.apache.spark:spark-streaming
-kafka_2.10:1.6.0 --class "KafkaWordCount" --master local[4] target/scala-2.10/spark
-kafka-project_2.10-1.0.jar localhost:2181

这个应用程序的输出示例如下所示。

spark console messages ..
(Test,1)
(spark,1)
(another,1)
(message,1)
spark console message ..