Apache Kafka 與Spark的集成

在本章中，我們將討論如何將Apache Kafka與Spark Streaming API集成。

關(guān)于Spark

Spark Streaming API支持實(shí)時(shí)數(shù)據(jù)流的可擴(kuò)展，高吞吐量，容錯(cuò)流處理。 數(shù)據(jù)可以從諸如Kafka，F(xiàn)lume，Twitter等許多源中提取，并且可以使用復(fù)雜的算法來(lái)處理，例如地圖，縮小，連接和窗口等高級(jí)功能。 最后，處理的數(shù)據(jù)可以推送到文件系統(tǒng)，數(shù)據(jù)庫(kù)和活動(dòng)儀表板。 彈性分布式數(shù)據(jù)集(RDD)是Spark的基本數(shù)據(jù)結(jié)構(gòu)。 它是一個(gè)不可變的分布式對(duì)象集合。 RDD中的每個(gè)數(shù)據(jù)集劃分為邏輯分區(qū)，可以在集群的不同節(jié)點(diǎn)上計(jì)算。

與Spark集成

Kafka是Spark流式傳輸?shù)臐撛谙鬟f和集成平臺(tái)。 Kafka充當(dāng)實(shí)時(shí)數(shù)據(jù)流的中心樞紐，并使用Spark Streaming中的復(fù)雜算法進(jìn)行處理。 一旦數(shù)據(jù)被處理，Spark Streaming可以將結(jié)果發(fā)布到另一個(gè)Kafka主題或存儲(chǔ)在HDFS，數(shù)據(jù)庫(kù)或儀表板中。 下圖描述了概念流程。

現(xiàn)在，讓我們?cè)敿?xì)了解Kafka-Spark API。

SparkConf API

它表示Spark應(yīng)用程序的配置。 用于將各種Spark參數(shù)設(shè)置為鍵值對(duì)。

SparkConf 類(lèi)有以下方法 -

• set(string key，string value) - 設(shè)置配置變量。

• remove(string key) - 從配置中移除密鑰。

• setAppName(string name) - 設(shè)置應(yīng)用程序的應(yīng)用程序名稱。

• get(string key) - get key

StreamingContext API

這是Spark功能的主要入口點(diǎn)。 SparkContext表示到Spark集群的連接，可用于在集群上創(chuàng)建RDD，累加器和廣播變量。 簽名的定義如下所示。

public StreamingContext(String master, String appName, Duration batchDuration, 
   String sparkHome, scala.collection.Seq<String> jars, 
   scala.collection.Map<String,String> environment)

• 主 - 要連接的群集網(wǎng)址(例如mesos:// host:port，spark:// host:port，local [4])。

• appName - 作業(yè)的名稱，以顯示在集群Web UI上

• batchDuration - 流式數(shù)據(jù)將被分成批次的時(shí)間間隔

public StreamingContext(SparkConf conf, Duration batchDuration)

通過(guò)提供新的SparkContext所需的配置創(chuàng)建StreamingContext。

• conf - Spark參數(shù)

• batchDuration - 流式數(shù)據(jù)將被分成批次的時(shí)間間隔

KafkaUtils API

KafkaUtils API用于將Kafka集群連接到Spark流。 此API具有如下定義的顯著方法 createStream 。

public static ReceiverInputDStream<scala.Tuple2<String,String>> createStream(
   StreamingContext ssc, String zkQuorum, String groupId,
   scala.collection.immutable.Map<String,Object> topics, StorageLevel storageLevel)

上面顯示的方法用于創(chuàng)建從Kafka Brokers提取消息的輸入流。

• ssc - StreamingContext對(duì)象。

• zkQuorum - Zookeeper quorum。

• groupId - 此消費(fèi)者的組ID。

• 主題 - 返回要消費(fèi)的主題的地圖。

• storageLevel - 用于存儲(chǔ)接收的對(duì)象的存儲(chǔ)級(jí)別。

KafkaUtils API有另一個(gè)方法createDirectStream，用于創(chuàng)建一個(gè)輸入流，直接從Kafka Brokers拉取消息，而不使用任何接收器。 這個(gè)流可以保證來(lái)自Kafka的每個(gè)消息都包含在轉(zhuǎn)換中一次。

示例應(yīng)用程序在Scala中完成。 要編譯應(yīng)用程序，請(qǐng)下載并安裝 sbt ，scala構(gòu)建工具(類(lèi)似于maven)。 主要應(yīng)用程序代碼如下所示。

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 <zkQuorum><group> <topics> <numThreads>")
         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(_ &plus; _, _ - _, Minutes(10), Seconds(2), 2)
      wordCounts.print()

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

構(gòu)建腳本

spark-kafka集成取決于Spark，Spark流和Spark與Kafka的集成jar。 創(chuàng)建一個(gè)新文件 build.sbt ，并指定應(yīng)用程序詳細(xì)信息及其依賴關(guān)系。 在編譯和打包應(yīng)用程序時(shí)， sbt 將下載所需的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"

編譯/包裝

運(yùn)行以下命令以編譯和打包應(yīng)用程序的jar文件。 我們需要將jar文件提交到spark控制臺(tái)以運(yùn)行應(yīng)用程序。

sbt package

提交到Spark

啟動(dòng)Kafka Producer CLI(在上一章中解釋)，創(chuàng)建一個(gè)名為 my-first-topic 的新主題，并提供一些樣本消息，如下所示。

Another spark test message

運(yùn)行以下命令將應(yīng)用程序提交到spark控制臺(tái)。

/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 <group name> <topic name> <number of threads>

此應(yīng)用程序的示例輸出如下所示。

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