Apache Kafka - 与Spark集成

本章将讨论如何将Apache Kafka与Spark Streaming API集成。

关于Spark

Spark Streaming API 能够对实时数据流进行可扩展、高吞吐量、容错的流处理。数据可以从许多来源导入，例如Kafka、Flume、Twitter等，并可以使用复杂的算法（例如map、reduce、join和window等高级函数）进行处理。最后，处理后的数据可以推送到文件系统、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。它是一个不可变的分布式对象集合。RDD中的每个数据集都划分为逻辑分区，这些分区可以在集群的不同节点上计算。

与Spark集成

Kafka是一个潜在的用于Spark流处理的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可以将结果发布到另一个Kafka主题，或者存储在HDFS、数据库或仪表板中。下图描述了概念流程。

现在，让我们详细了解Kafka-Spark API。

SparkConf API

它表示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) − 为您的应用程序设置应用程序名称。
get(string key) − 获取键

StreamingContext API

这是Spark功能的主要入口点。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 − 要连接到的集群URL（例如mesos://host:port，spark://host:port，local[4]）。
appName − 您的作业的名称，用于在集群Web UI上显示
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 Streaming。此API具有重要的createStream方法，签名如下所示。

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

上述方法用于创建一个输入流，该输入流从Kafka Broker拉取消息。

ssc − StreamingContext对象。
zkQuorum − Zookeeper集群地址。
groupId − 此消费者的组ID。
topics − 返回要消费的主题映射。
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，它用于创建一个输入流，该输入流直接从Kafka Broker拉取消息，而无需使用任何接收器。此流可以保证Kafka中的每条消息都只包含在转换中一次。

示例应用程序是用Scala编写的。要编译应用程序，请下载并安装sbt，Scala构建工具（类似于maven）。主要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集成依赖于spark、spark streaming和spark Kafka集成jar包。创建一个新文件build.sbt并指定应用程序详细信息及其依赖项。sbt将在编译和打包应用程序时下载必要的jar包。

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控制台才能运行应用程序。

sbt package

提交到Spark

启动Kafka Producer CLI（在上一章中解释），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>

此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 ..

打印页面