Apache Kafka教程A系列：与Spark整合

原文地址：https://www.tutorialspoint.com/apache_kafka/apache_kafka_integration_spark.htm

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

关于Spark

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，例如地图，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，这些逻辑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主题或商店中。下图描述了概念流程。

现在，让我们详细介绍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) - 获取密钥

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.Seq<String> jars, scala.collection.Map<String,String> environment) master − 要连接的群集URL(e.g. mesos://host:port, spark://host:port, local[4]).appName −作业名称，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<scala.Tuple2<String,String>> createStream( StreamingContext ssc, String zkQuorum, String groupId, scala.collection.immutable.Map<String,Object> 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 <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(_ + _, _ - _, 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spakKafka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/打包

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

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 ..