kafka结合Spark-streming的直连(Direct)方式

时间:2021-06-14 20:48:29

 说明:此程序使用的scala编写

在spark-stream+kafka使用的时候,有两种连接方式一种是Receiver连接方式,一种是Direct连接方式。

  两种连接方式简介:

  Receiver接受固定时间间隔的数据(放在内存中),达到固定的时间才进行处理,效率极并且容易丢失数据。通过高阶API,不用管理偏移量,由zk管理,若是拉取的数据超过,executor内存大小,消息会存放到磁盘上面。0.10之后被舍弃。
  弊端:效率极并且容易丢失数据

                        kafka结合Spark-streming的直连(Direct)方式

  直连(Direct)方式:**********重点
相当于直接连接到了kafka的分区上面,舍弃了高阶API,所以需要自己手动管理偏移量。运用底层API。效率高。需要手动的维护偏移量。企业生产使用。
  好处:不会走磁盘了,在拉取数据的时候,会有一个预处理机制。效率高。 kafka结合Spark-streming的直连(Direct)方式

                              kafka结合Spark-streming的直连(Direct)方式

  两者的区别:  

  Receiver连接方式:他使用的是高级API实现Offset自动管理,不需要我们管理,所以他的灵活性特别差,不好,而且他处理数据的时候,如果某一时刻所传来的数据量特别大那么就会造成磁盘溢写的情况,他通过WALs进行磁盘的写入。
  直连方式:他使用的是底层的API实现Offset我们开发人员管理,这样的话,他的灵活性很好,并且可以保证数据的安全性,而且不用孤单行数据量过大。
  现在主要使用的Direct直连的方式,而不在使用receiver方式
  直连代码如下:
  
import kafka.common.TopicAndPartition
import kafka.message.MessageAndMetadata
import kafka.serializer.StringDecoder
import kafka.utils.{ZKGroupTopicDirs, ZkUtils}
import org.I0Itec.zkclient.ZkClient
import org.apache.spark.SparkConf
import org.apache.spark.rdd.RDD
import org.apache.spark.streaming.dstream.InputDStream
import org.apache.spark.streaming.kafka.{HasOffsetRanges, KafkaUtils, OffsetRange}
import org.apache.spark.streaming.{Duration, StreamingContext}
import redis.clients.jedis.Jedis

object KafkaDirectConsumer {
  def main(args: Array[String]): Unit = {
    // 创建streaming
    val conf = new SparkConf().setAppName("demo").setMaster("local[2]")
    val ssc = new StreamingContext(conf, Duration(5000))
    // 创建
    // 指定消费者组
    val groupid = "gp01"
    // 消费者
    val topic = "tt1"
    // 创建zk集群连接
    val zkQuorum = "spark101:2181,spark102:2181,spark103:2181"
    // 创建kafka的集群连接
    val brokerList = "spark101:9092,spark102:9092,spark103:9092"
    // 创建消费者的集合
    // 在streaming中可以同时消费多个topic
    val topics: Set[String] = Set(topic)
    // 创建一个zkGroupTopicDir对象
    // 此对象里面存放这zk组和topicdir的对应信息
    // 就是在zk中写入kafka的目录
    // 传入 消费者组,消费者,会根据传入的参数生成dir然后存放在zk中
    val TopicDir = new ZKGroupTopicDirs(groupid, topic)
    // 获取存放在zk中的dir目录信息 /gp01/offset/tt
    val zkTopicPath: String = s"${TopicDir.consumerOffsetDir}"
    // 准备kafka的信息、
    val kafkas = Map(
      // 指向kafka的集群
      "metadata.broker.list" -> brokerList,
      // 指定消费者组
      "group.id" -> groupid,
      // 从头开始读取数据
      "auto.offset.reset" -> kafka.api.OffsetRequest.SmallestTimeString
    )
    // 创建一个zkClint客户端,用host 和 ip 创建
    // 用于从zk中读取偏移量数据,并更新偏移量
    // 传入zk集群连接
    val zkClient = new ZkClient(zkQuorum)
    // 拿到zkClient后去,zk中查找是否存在文件
    // /gp01/offset/tt/0/10001
    // /gp01/offset/tt/1/20001
    // /gp01/offset/tt/2/30001
    val clientOffset = zkClient.countChildren(zkTopicPath)
    // 创建空的kafkaStream 里面用于存放从kafka接收到的数据
    var kafkaStream: InputDStream[(String, String)] = null
    // 创建一个存放偏移量的Map
    // TopicAndPartition [/gp01/offset/tt/0,10001]
    var fromOffsets: Map[TopicAndPartition, Long] = Map()
    // 判断,是否妇女放过offset,若是存放过,则直接从记录的
    // 偏移量开始读
    if (clientOffset > 0) {
      // clientOffset的数量就是 分区的数目量
      for (i <- 0 until clientOffset) {
        // 取出 /gp01/offset/tt/i/ 10001 -> 偏移量
        val paratitionOffset = zkClient.readData[String](s"${zkTopicPath}/${i}")
        // tt/ i
        val tp = TopicAndPartition(topic, i)
        // 添加到存放偏移量的Map中
        fromOffsets += (tp -> paratitionOffset.toLong)
      }
      // 现在已经把偏移量全部记录在Map中了
      // 现在读kafka中的消息
      // key 是kafka的kay,为null, value是kafka中的消息
      // 这个会将kafka的消息进行transform 最终kafka的数据都会变成(kafka的key,message)这样的tuple
      val messageHandlers = (mmd: MessageAndMetadata[String, String]) => (mmd.key(), mmd.message())
      // 通过kafkaUtils来创建DStream
      // String,String,StringDecoder,StringDecoder,(String,String)
      //   key,value,key的解码方式,value的解码方式,(接受的数据格式)
      kafkaStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder, (String, String)](
        ssc, kafkas, fromOffsets, messageHandlers
      )
    } else { // 若是不存在,则直接从头读
      // 根据kafka的配置
      kafkaStream = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](ssc, kafkas, topics)
    }

    // 偏移量范围
    var offsetRanges = Array[OffsetRange]()

    kafkaStream.foreachRDD {
      kafkaRDD =>
        // 得到kafkaRDD,强转为HasOffsetRanges,获得偏移量
        // 只有Kafka可以强转为HasOffsetRanges
        offsetRanges = kafkaRDD.asInstanceOf[HasOffsetRanges].offsetRanges

        // 触发Action,这里去第二个值为真实的数据
        val mapRDD = kafkaRDD.map(_._2)
        /*=================================================*/ 
     // mapRDD为数据,在这里对数据操作
     // 在这里写你自己的业务处理代码代码
     // 此程序可以直接拿来使用,经历过层层考验

     /*=================================================*/ // 存储更新偏移量 for (o <- offsetRanges) { // 获取dir val zkPath = s"${zkTopicPath}/${o.partition}" ZkUtils.updatePersistentPath(zkClient, zkPath, o.untilOffset.toString) } } ssc.start() ssc.awaitTermination() } }

  以上为Direct直连方式的代码,直接可以使用的,根据自己的集群,和topic,groupid等配置稍作修改即可。

kafka结合Spark-streming的直连(Direct)方式