基于Spark Streaming实时处理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。

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

Kafka集群测试

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：

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。

基于Spark Streaming实时处理Kafka数据

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，添加Scala语言支持:

首先来编写producer端的代码：

编写代码之前，先构建pom.xml文件，以导入相应Jar依赖，这里选用Maven的maven-scala-plugin插件进行编译，maven-shade-plugin插件进行打包，具体的pom.xml文件如下：

spark-streaming-kafka-0-8_2.11的版本号一定与Scala和Spark版本严格对应，否则后面运行会因为版本API不对应而报错。

导入相应依赖后，开始编写producer端代码--KafkaWordProducer：

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)。

producer端有了，下面编写consumer端代码--KafkaWordCount：

consumer主要将producer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：

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。

为了直观地观察到数据流的流转，启动Kafka Manager：

运行

首先启动producer端：

新打开一个终端,启动consumer端：

可以看到，Spark Streaming在实时消费Kafka传过来的数据。

同时，查看Kafka Manger也可以看到数据在实时地产生和消费。

欢迎您扫一扫上面的二维码，关注我的微信公众号！

更多内容请访问http://ruanshubin.top.