Spark2Streaming读Kerberos环境的Kafka并写数据到HDFS

Fayson

发布于 2018-08-03 14:40:21

1.3K0

发布于 2018-08-03 14:40:21

文章被收录于专栏：Hadoop实操

温馨提示：如果使用电脑查看图片不清晰，可以使用手机打开文章单击文中的图片放大查看高清原图。
Fayson的github： https://github.com/fayson/cdhproject
提示：代码块部分可以左右滑动查看噢

1.文档编写目的

在前面的文章Fayson介绍了一些关于Spark2Streaming的示例如《Spark2Streaming读Kerberos环境的Kafka并写数据到HBase》、《Spark2Streaming读Kerberos环境的Kafka并写数据到Kudu》及《Spark2Streaming读Kerberos环境的Kafka并写数据到Hive》，本篇文章Fayson主要介绍如何使用Spark2Streaming访问Kerberos环境的Kafka并将接收到的Kafka数据逐条写入HDFS。

示例架构图如下：

示例详细流程图如下：

内容概述：

1.环境准备

2.Spark2Streaming示例开发

3.示例运行

4.总结

测试环境：

1.CM5.14.3/CDH5.14.2

2.CDK2.2.0（Apache Kafka0.10.2）

3.SPARK2.2.0

4.操作系统版本为Redhat7.3

5.采用root用户进行操作

6.集群已启用Kerberos

2.环境准备

1.准备访问Kafka的Keytab文件，使用xst命令导出keytab文件

[root@cdh01 ~]# kadmin.local 
kadmin.local:  xst -norandkey -k fayson.keytab fayson@FAYSON.COM

（可左右滑动）

使用klist命令检查导出的keytab文件是否正确

[root@cdh01 ~]# klist -ek fayson.keytab

（可左右滑动）

2.准备jaas.cof文件内容如下：

KafkaClient {
  com.sun.security.auth.module.Krb5LoginModule required
  useKeyTab=true
  keyTab="/data/disk1/0286-kafka-shell/conf/fayson.keytab"
  principal="fayson@FAYSON.COM";
};

Client {
  com.sun.security.auth.module.Krb5LoginModule required
  useKeyTab=true
  storeKey=true
  keyTab="/data/disk1/0286-kafka-shell/conf/fayson.keytab"
  principal="fayson@FAYSON.COM";
};

（可左右滑动）

将fayson.keytab和jaas.conf文件拷贝至集群的所有节点统一的/data/disk1/0286-kafka-shell/conf目录下。

3.准备向Kerberos环境发送数据的脚本，关于脚本这里就不在过多的介绍前面很多文章都有介绍，具体可以参考Fayson的GitHub：

https://github.com/fayson/cdhproject/tree/master/kafkademo/0286-kafka-shell

（可左右滑动）

根据需要将conf下面的配置文件修改为自己集群的环境即可，发送至Kafka的JSON数据示例如下：

{
   "occupation": "生产工作、运输工作和部分体力劳动者",
   "address": "台东东二路16号-8-8",
   "city": "长治",
   "marriage": "1",
   "sex": "1",
   "name": "仲淑兰",
   "mobile_phone_num": "13607268580",
   "bank_name": "广州银行31",
   "id": "510105197906185179",
   "child_num": "1",
   "fix_phone_num": "15004170180"
}

（可左右滑动）

4.登录CM进入SPARK2服务的配置项将spark_kafka_version的kafka版本修改为0.10

3.SparkStreaming示例开发

1.使用maven创建scala语言的spark2demo工程，pom.xml依赖如下

<dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-client</artifactId>
    <version>2.6.0-cdh5.11.2</version>
</dependency>
<dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-common</artifactId>
    <version>2.6.0-cdh5.11.2</version>
</dependency>
<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-core_2.11</artifactId>
    <version>2.2.0.cloudera2</version>
</dependency>
<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-sql_2.11</artifactId>
    <version>2.2.0.cloudera2</version>
</dependency>
<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-streaming_2.11</artifactId>
    <version>2.2.0.cloudera2</version>
</dependency>
<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-streaming-kafka-0-10_2.11</artifactId>
    <version>2.2.0.cloudera2</version>
</dependency>
<dependency>
    <groupId>org.scala-lang</groupId>
    <artifactId>scala-library</artifactId>
    <version>2.11.8</version>
</dependency>

（可左右滑动）

2.在resources下创建0292.properties配置文件，内容如下：

kafka.brokers=cdh02.fayson.com:9092,cdh03.fayson.com:9092,cdh04.fayson.com:9092
kafka.topics=kafka_hdfs_topic

（可左右滑动）

3.创建Kafka2Spark2HDFS.scala文件，内容如下：

package com.cloudera.streaming

import java.io.{File, FileInputStream}
import java.util.Properties
import org.apache.commons.lang.StringUtils
import org.apache.hadoop.conf.Configuration
import org.apache.hadoop.fs.{FileSystem, Path}
import org.apache.kafka.common.serialization.StringDeserializer
import org.apache.log4j.{Level, Logger}
import org.apache.spark.SparkConf
import org.apache.spark.sql.SparkSession
import org.apache.spark.streaming.kafka010.{ConsumerStrategies, KafkaUtils, LocationStrategies}
import org.apache.spark.streaming.{Seconds, StreamingContext}

import scala.util.parsing.json.JSON

/**
  * package: com.cloudera.streaming
  * describe: Kerberos环境中Spark2Streaming应用实时读取Kafka数据，解析后存入HDFS
  * creat_user: Fayson 
  * email: htechinfo@163.com
  * creat_date: 2018/7/17
  * creat_time: 下午11:08
  * 公众号：Hadoop实操
  */
object Kafka2Spark2HDFS {

  Logger.getLogger("com").setLevel(Level.ERROR) //设置日志级别

  var confPath: String = System.getProperty("user.dir") + File.separator + "conf/0292.properties"

  def main(args: Array[String]): Unit = {
    //加载配置文件
    val properties = new Properties()
    val file = new File(confPath)
    if(!file.exists()) {
      System.out.println(Kafka2Spark2Hive.getClass.getClassLoader.getResource("0292.properties"))
      val in = Kafka2Spark2Hive.getClass.getClassLoader.getResourceAsStream("0292.properties")
      properties.load(in);
    } else {
      properties.load(new FileInputStream(confPath))
    }

    val brokers = properties.getProperty("kafka.brokers")
    val topics = properties.getProperty("kafka.topics")
    println("kafka.brokers:" + brokers)
    println("kafka.topics:" + topics)

    if(StringUtils.isEmpty(brokers)|| StringUtils.isEmpty(topics)) {
      println("未配置Kafka信息...")
      System.exit(0)
    }
    val topicsSet = topics.split(",").toSet

    val spark = SparkSession.builder().appName("Kafka2Spark2HDFS-kerberos").config(new SparkConf()).getOrCreate()
    val ssc = new StreamingContext(spark.sparkContext, Seconds(5)) //设置Spark时间窗口，每5s处理一次
    val kafkaParams = Map[String, Object]("bootstrap.servers" -> brokers
      , "auto.offset.reset" -> "latest"
      , "security.protocol" -> "SASL_PLAINTEXT"
      , "sasl.kerberos.service.name" -> "kafka"
      , "key.deserializer" -> classOf[StringDeserializer]
      , "value.deserializer" -> classOf[StringDeserializer]
      , "group.id" -> "testgroup"
    )

    val dStream = KafkaUtils.createDirectStream[String, String](ssc,
      LocationStrategies.PreferConsistent,
      ConsumerStrategies.Subscribe[String, String](topicsSet, kafkaParams))

    dStream.foreachRDD(rdd => {

      val newrdd = rdd.map(line => {
        val jsonObj =  JSON.parseFull(line.value())
        val map:Map[String,Any] = jsonObj.get.asInstanceOf[Map[String, Any]]
        //将Map数据转为以","隔开的字符串
        val userInfoStr = map.get("id").get.asInstanceOf[String].concat(",")
          .concat(map.get("name").get.asInstanceOf[String]).concat(",")
          .concat(map.get("sex").get.asInstanceOf[String]).concat(",")
          .concat(map.get("city").get.asInstanceOf[String]).concat(",")
          .concat(map.get("occupation").get.asInstanceOf[String]).concat(",")
          .concat(map.get("mobile_phone_num").get.asInstanceOf[String]).concat(",")
          .concat(map.get("fix_phone_num").get.asInstanceOf[String]).concat(",")
          .concat(map.get("bank_name").get.asInstanceOf[String]).concat(",")
          .concat(map.get("address").get.asInstanceOf[String]).concat(",")
          .concat(map.get("marriage").get.asInstanceOf[String]).concat(",")
          .concat(map.get("child_num").get.asInstanceOf[String])
        userInfoStr
      })

      //将解析好的数据已流的方式写入HDFS，未使用RDD的方式可以避免数据被覆盖
      newrdd.foreachPartition(partitionrecord => {
        val conf = new Configuration()
        val fs = FileSystem.get(conf)
        val path =  new Path("/tmp/kafka-data/test.txt")
        val outputStream = if (fs.exists(path)){
          fs.append(path)
        }else{
          fs.create(path)
        }
        partitionrecord.foreach(line => outputStream.write((line + "\n").getBytes("UTF-8")))
        outputStream.close()
      })

    })
    ssc.start()
    ssc.awaitTermination()
  }
}

（可左右滑动）

4.使用mvn命令编译工程，注意由于是scala工程编译时mvn命令要加scala:compile

mvn clean scala:compile package

（可左右滑动）

5.将编译好的spark2-demo-1.0-SNAPSHOT.jar包上传至服务

在conf目录下新增0292.properties配置文件，内容如下：

4.示例运行

1.使用spark2-submit命令向集群提交SparkStreaming作业

spark2-submit --class com.cloudera.streaming.Kafka2Spark2HDFS \
  --master yarn \
  --deploy-mode client \
  --executor-memory 2g \
  --executor-cores 2 \
  --driver-memory 2g \
  --num-executors 2 \
  --queue default  \
  --principal fayson@FAYSON.COM \
  --keytab /data/disk1/spark2streaming-kafka-hdfs/conf/fayson.keytab \
  --driver-java-options "-Djava.security.auth.login.config=/data/disk1/spark2streaming-kafka-hdfs/conf/jaas.conf" \
  --conf "spark.executor.extraJavaOptions=-Djava.security.auth.login.config=/data/disk1/spark2streaming-kafka-hdfs/conf/jaas.conf" \
  spark2-demo-1.0-SNAPSHOT.jar

（可左右滑动）

通过CM查看作业是否提交成功

Spark2的UI界面

2.运行脚本向Kafka的Kafka_hdfs_topic生产消息，重复执行三次

3.使用hdfs命令查看数据是否已写入/tmp/kafka-data/test.txt文件

查看写入的数据量，共1800条

5.总结

1.在前面的文章Fayson也有介绍Java访问Kerberos环境的Kafka，需要使用到jaas.conf文件，这里的jaas.conf文件Fayson通过spark2-submit的方式指定，注意我们的jaas.conf文件及keytab需要在集群的所有节点存在，因为Driver和Executor是随机在集群的节点上启动的。

2.同样在scala代码中访问Kafka是也一样需要添加Kerberos相关的配置security.protocol和sasl.kerberos.service.name参数。

3.Spark2默认的kafka版本为0.9需要通过CM将默认的Kafka版本修改为0.10

4.在本篇文章中，Fayson将接受到的Kafka JSON数据转换为以逗号分割的字符串，将字符串数据以流的方式写入指定的HDFS文件。

5.本篇文章主要使用FileSystem对象以流的方式将Kafka消息逐条写入HDFS指定的数据问题，该方式可以追加的写入数据。

GitHub地址如下：

https://github.com/fayson/cdhproject/tree/master/spark2demo/spark2streaming-kafka-hdfs

https://github.com/fayson/cdhproject/blob/master/spark2demo/src/main/scala/com/cloudera/streaming/Kafka2Spark2HDFS.scala

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2018-07-21，如有侵权请联系 cloudcommunity@tencent.com 删除

java

本文分享自 Hadoop实操微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！

java

登录后参与评论

0 条评论

热度

Spark2Streaming读Kerberos环境的Kafka并写数据到HDFS

Spark2Streaming读Kerberos环境的Kafka并写数据到HDFS

社区

活动

资源

关于

腾讯云开发者

热门产品

热门推荐

更多推荐