使用Spark Streaming处理Kafka数据流

Kafka作为优秀的日志采集系统，可以作为Spark Streaming的高级数据源，本文主要介绍如何使用Spark Streaming实时处理Kafka传递过来的数据流。

1 系统软件

本文实验基于的各软件版本如下：

Java 1.8.0_191

Scala 2.11

hadoop-3.0.3

zookeeper-3.4.10

Spark 2.3.2

kafka_2.12-2.0.1

kafka-manager-1.3.3.17

2 具体步骤

2.1 启动Kafka集群

启动Kafka集群之前首先启动Zookeeper集群：

在安装有Zookeeper的机器上执行下述命令：

另外打开一个终端，输入以下命令启动Kafka集群：

测试Kafka集群是否可以正常使用

2.2 Kafka脚本测试数据的生成和消费

下面使用Kafka的producer脚本生成一些数据：

另外打开一个终端使用Kafka的consumer脚本消费上述producer脚本生成的数据：

需要注意的是，在旧版本的kafka-console-consumer.sh中，是通过--zookeeper来消费数据的，而新版本的kafka则删除了该方法，统一使用--bootstrap-server，后面跟的是broker-list参数。

2.3 编写相应程序测试Kafka的数据生产及消费

本实验基于Maven作为项目构建工具，选择的IDE为IntelliJ IDEA 2018.1 ，采用的编程语言为Scala。

创建Maven工程后，项目处右键Add Frameworks Support:

首先，我们来编写producer端的代码：

pom.xml

spark-streaming-kafka-0-8_2.11的版本号一定与Scala和Spark版本严格对应，否则会报错。

KafkaWordProducer.scala

上述程序的作用就是每秒钟产生messagesPerSec条消息，每条消息包含wordPerMessage个单词(这里用10以内的随机整数代替单词)。

数据产生端producer有了，下面我们编写消费端consumer的代码：

KafkaWordCount

消费者主要将生产者传递过来的消息执行WordCount操作:

LoggerPro的目的是设置日志的打印级别，从而让结果输出的更为清晰，避免被大量的打印信息淹没。

最终的项目结构如下图所示：

2.4 打包、提交集群运行

Maven打包

提交服务器

将项目target目录下生成的可执行Jar包上传到服务器指定目录，这里我上传到/usr/software/spark/mycode/streaming。

启动Kafka Manager

为了直观观察到数据流的流转，我们启动Kafka Manager：

运行

首先启动Producer端：

新打开一个终端,启动消费者：

可以看到，Spark Streaming在实时消费Kafka里传过来的数据。

同时，查看Kafka Manger也可以看到数据在实时得产生和消费。