Kafka教學 » Kafka與Spark整合

Kafka與Spark整合

在本章中，將討論如何將Apache Kafka與Spark Streaming API整合。

Spark是什麼？

Spark Streaming API支援實時資料流的可延伸，高吞吐量，容錯流處理。 資料可以從Kafka，Flume，Twitter等許多來源獲取，並且可以使用複雜演算法進行處理，例如:對映，縮小，連線和視窗等高階功能。 最後，處理後的資料可以推播到檔案系統，資料庫和現場儀表板上。 彈性分散式資料集(RDD)是Spark的基礎資料結構。 它是一個不可變的分散式物件集合。 RDD中的每個資料集都被劃分為邏輯分割區，這些分割區可以在叢集的不同節點上進行計算。

與Spark整合

Kafka是Spark串流媒體的潛在訊息傳遞和整合平台。 Kafka充當實時資料流的中心樞紐，並使用Spark Streaming中的複雜演算法進行處理。 資料處理完成後，Spark Streaming可以將結果發佈到HDFS，資料庫或儀表板中的另一個Kafka主題中。 下圖描述了概念流程。

現在，詳細介紹一下Kafka-Spark API。

SparkConf API

它代表Spark應用程式的組態。 用於將各種Spark引數設定為鍵值對。

SparkConf類具有以下方法 -

  • set(string key, string value) ? 設定組態變數。
  • remove(string key) ? 從組態中刪除鍵。
  • setAppName(string name) ? 為應用程式設定應用程式名稱。
  • get(string key) ? 獲得鍵。

StreamingContext API

這是Spark功能的主要入口點。 SparkContext表示與Spark群集的連線，並且可用於在群集上建立RDD，累加器和廣播變數。 簽名的定義如下所示。

public StreamingContext(String master, String appName, Duration batchDuration, 
   String sparkHome, scala.collection.Seq<String> jars, 
   scala.collection.Map<String,String> environment)
  • master - 要連線的群集URL(例如，mesos://host:port，spark://host:port，local [4])。
  • appName - 作業的名稱，以顯示在叢集Web UI上。
  • batchDuration - 流資料將被分成批次的時間間隔。
public StreamingContext(SparkConf conf, Duration batchDuration)

通過提供新的SparkContext所需的組態來建立StreamingContext。

  • conf - Spark引數。
  • batchDuration - 流資料將被分成批次的時間間隔。

KafkaUtils API

KafkaUtils API用於將Kafka叢集連線到Spark流。 該API具有如下定義的重要方法createStream簽名。

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

上面顯示的方法用於建立從Kafka Brokers中提取訊息的輸入流。

  • ssc - StreamingContext物件。
  • zkQuorum - Zookeeper仲裁。
  • groupId - 此消費者的組ID。
  • topics - 返回要消費的主題地圖。
  • storageLevel - 用於儲存接收物件的儲存級別。

KafkaUtils API還有另一種方法createDirectStream，它用於建立一個輸入流，直接從Kafka Brokers中提取訊息而不使用任何接收器。 此流可以保證來自Kafka的每條訊息都只包含在一次轉換中。

範例應用程式在Scala中完成。 要編譯應用程式，請下載並安裝sbt，scala構建工具(與maven類似)。 主應用程式程式碼如下所示。

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()
   }
}

構建指令碼
spark-kafka整合取決於spark，spark流和spark Kafka整合jar。 建立一個新的檔案build.sbt並指定應用程式的詳細資訊及其依賴關係。 sbt將在編譯和打包應用程式時下載必要的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"

編譯/包

執行以下命令來編譯和打包應用程式的jar檔案。 需要將jar檔案提交到spark控制臺來執行應用程式。

sbt package

提交給Spark

啟動Kafka Producer CLI(在前一章中介紹)，建立一個名稱為my-first-topic的新主題，並提供一些範例訊息，如下所示。

Another spark test message

執行以下命令將應用程式提交到 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>

這個應用程式的輸出範例如下所示。

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