📜  Apache Kafka-与Spark集成

📅  最后修改于: 2020-12-03 03:00:01             🧑  作者: Mango


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

关于星火

Spark Streaming API支持实时数据流的可扩展,高吞吐量,容错流处理。数据可以从许多来源(例如Kafka,Flume,Twitter等)中提取,并可以使用复杂的算法(例如高级功能(例如map,reduce,join和window))进行处理。最后,可以将处理后的数据推送到文件系统,数据库和实时仪表板。弹性分布式数据集(RDD)是Spark的基本数据结构。它是对象的不可变分布式集合。 RDD中的每个数据集都分为逻辑分区,可以在群集的不同节点上进行计算。

与Spark集成

Kafka是潜在的Spark流消息传递和集成平台。 Kafka充当实时数据流的中心枢纽,并在Spark Streaming中使用复杂的算法进行处理。处理完数据后,Spark Streaming可能会将结果发布到另一个Kafka主题中,或存储在HDFS,数据库或仪表板中。下图描述了概念流程。

与Spark集成

现在,让我们详细了解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(字符串键,字符串值) -设置配置变量。

  • remove(字符串 key) -从配置中删除密钥。

  • setAppName(字符串 name) -为您的应用程序设置应用程序名称。

  • get(字符串键) -获取键

StreamingContext API

这是Spark功能的主要切入点。 SparkContext表示与Spark集群的连接,可用于在集群上创建RDD,累加器和广播变量。签名定义如下。

public StreamingContext(String master, String appName, Duration batchDuration, 
   String sparkHome, scala.collection.Seq jars, 
   scala.collection.Map environment)
  • -簇URL连接到(例如mesos://主机:端口,火花://主机:端口,本地[4])。

  • appName-您的工作的名称,显示在群集Web UI上

  • batchDuration-将流数据分为几批的时间间隔

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-将流数据分为几批的时间间隔

KafkaUtils API

KafkaUtils API用于将Kafka集群连接到Spark流。该API具有如下定义的signifi-ant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提取消息的输入流。

  • ssc -StreamingContext对象。

  • zkQuorum -Zookeeper仲裁。

  • groupId-该使用者的组ID。

  • topics-返回要使用的主题图。

  • storageLevel-用于存储接收到的对象的存储级别。

KafkaUtils API还有另一个方法createDirectStream,该方法用于创建输入流,该输入流直接从Kafka Brokers提取消息,而无需使用任何接收器。该流可以确保来自Kafka的每个消息仅包含在转换中一次。

示例应用程序在Scala中完成。要编译该应用程序,请下载并安装sbt和scala构建工具(类似于maven)。主要应用代码如下所示。

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 stream和spark Kafka集成jar。创建一个新文件build.sbt并指定应用程序详细信息及其依赖性。 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/包装

运行以下命令来编译和打包应用程序的jar文件。我们需要将jar文件提交到spark控制台以运行该应用程序。

sbt package

提交给Spark

启动Kafka Producer CLI(在上一章中进行了说明),创建一个名为my-first-topic的新主题,并提供一些示例消息,如下所示。

Another spark test message

运行以下命令以将应用程序提交到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   

该应用程序的示例输出如下所示。

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