本文将介绍如何使用Spark 1.3.0引入的Direct API从Kafka中读数据。
和基于Receiver接收数据不一样，这种方式定期地从Kafka的topic+partition中查询最新的偏移量，再根据定义的偏移量范围在每个batch里面处理数据。当作业需要处理的数据来临时，spark通过调用Kafka的简单消费者API读取一定范围的数据。这个特性目前还处于试验阶段，而且仅仅在Scala和Java语言中提供相应的API。
和基于Receiver方式相比，这种方式主要有一些几个优点：
（1）、简化并行。我们不需要创建多个Kafka 输入流，然后union他们。而使用directStream，Spark Streaming将会创建和Kafka分区一样的RDD分区个数，而且会从Kafka并行地读取数据，也就是说Spark分区将会和Kafka分区有一一对应的关系，这对我们来说很容易理解和使用；
（2）、高效。第一种实现零数据丢失是通过将数据预先保存在WAL中，这将会复制一遍数据，这种方式实际上很不高效，因为这导致了数据被拷贝两次：一次是被Kafka复制；另一次是写到WAL中。但是本文介绍的方法因为没有Receiver，从而消除了这个问题，所以不需要WAL日志；
（3）、恰好一次语义（Exactly-once semantics）。《Spark Streaming和Kafka整合开发指南(一)》文章中通过使用Kafka高层次的API把偏移量写入Zookeeper中，这是读取Kafka中数据的传统方法。虽然这种方法可以保证零数据丢失，但是还是存在一些情况导致数据会丢失，因为在失败情况下通过Spark Streaming读取偏移量和Zookeeper中存储的偏移量可能不一致。而本文提到的方法是通过Kafka低层次的API，并没有使用到Zookeeper，偏移量仅仅被Spark Streaming保存在Checkpoint中。这就消除了Spark Streaming和Zookeeper中偏移量的不一致，而且可以保证每个记录仅仅被Spark Streaming读取一次，即使是出现故障。
但是本方法唯一的坏处就是没有更新Zookeeper中的偏移量，所以基于Zookeeper的Kafka监控工具将会无法显示消费的状况。然而你可以通过Spark提供的API手动地将偏移量写入到Zookeeper中。如何使用呢？其实和方法一差不多
1、引入依赖。
对于Scala和Java项目，你可以在你的pom.xml文件引入以下依赖：
2
|
<groupId>org.apache.spark</groupId>
|
3
|
<artifactId>spark-streaming-kafka_2.10</artifactId>
|
4
|
<version>1.3.0</version>
|
如果你是使用SBT，可以这么引入：
1
|
libraryDependencies += "org.apache.spark" % "spark-streaming-kafka_2.10" % "1.3.0"
|
2、编程
在Streaming应用程序代码中，引入KafkaUtils ，并创建DStream输入流：
1
|
import org.apache.spark.streaming.kafka._
|
3
|
val directKafkaStream = KafkaUtils.createDirectStream[
|
4
|
[key class], [value class], [key decoder class], [value decoder class] ](
|
5
|
streamingContext, [map of Kafka parameters], [set of topics to consume])
|
在 Kafka parameters参数中，你必须指定 metadata.broker.list或者bootstrap.servers参数。在默认情况下，Spark Streaming将会使用最大的偏移量来读取Kafka每个分区的数据。如果你配置了auto.offset.reset为smallest，那么它将会从最小的偏移量开始消费。
当然，你也可以使用KafkaUtils.createDirectStream的另一个版本从任意的位置消费数据。如果你想回去每个batch中Kafka的偏移量，你可以如下操作：
1
|
directKafkaStream.foreachRDD { rdd =>
|
2
|
val offsetRanges = rdd.asInstanceOf[HasOffsetRanges]
|
你可以通过这种方式来手动地更新Zookeeper里面的偏移量，使得基于Zookeeper偏移量的Kafka监控工具可以使用。
还有一点需要注意，因为这里介绍的方法没有使用到Receiver，所以Spark中关于spark.streaming.receiver.*相关的配置参数将不会对创建DStreams 有影响。我们可以使用spark.streaming.kafka.*参数进行配置。
3、部署
对应任何的Spark 应用，我们都是用spark-submit来启动你的应用程序，对于Scala和Java用户，如果你使用的是SBT或者是Maven，你可以将spark-streaming-kafka_2.10及其依赖打包进应用程序的Jar文件中，并确保spark-core_2.10和 spark-streaming_2.10标记为provided，因为它们在Spark 安装包中已经存在：
02
|
<groupId>org.apache.spark</groupId>
|
03
|
<artifactId>spark-streaming_2.10</artifactId>
|
04
|
<version>1.3.0</version>
|
05
|
<scope>provided</scope>
|
09
|
<groupId>org.apache.spark</groupId>
|
10
|
<artifactId>spark-core_2.10</artifactId>
|
11
|
<version>1.3.0</version>
|
12
|
<scope>provided</scope>
|
然后使用spark-submit来启动你的应用程序。
本文翻译自：https://spark.apache.org/docs/latest/streaming-kafka-integration.html
尊重原创，转载请注明： 转载自过往记忆（http://www.iteblog.com/）
本文链接地址: 《Spark Streaming和Kafka整合开发指南(二)》（http://www.iteblog.com/archives/1326）