Spark Streaming 接入 Ckafka

Spark Streaming 简介

Spark Streaming 是 Spark Core 的一个扩展，用于高吞吐且容错地处理持续性的数据，目前支持的外部输入有 Kafka、Flume、HDFS/S3、Kinesis、Twitter 和 TCP socket。

Spark Streaming 将连续数据抽象成 DStream(Discretized Stream)，而 DStream 由一系列连续的 RDD(弹性分布式数据集)组成，每个 RDD 是一定时间间隔内产生的数据。使用函数对 DStream 进行处理其实即为对这些 RDD 进行处理。

目前 Spark Streaming 对 Kafka 作为数据输入的支持分为稳定版本与实验版本：

目前 CKafka 支持 0.9.0.x、0.10.0.x、0.10.1.x、0.10.2.x 版本，本次实践使用 0.10.2.1 版本的 Kafka 依赖。

此外，EMR 中的 Spark Streaming 也支持直接对接 CKafka，详见 SparkStreaming 对接 Ckafka 服务。

Spark Streaming 接入 CKafka

申请 Ckafka 实例

确认网络类型是否与当前使用网络相符。

创建 topic

这里创建了一个名为 spark_test 的 topic，接下来将以该 topic 为例介绍如何生产消费
[内网IP与端口]即为生产消费需要用到的 bootstrap-server。

云主机环境

Centos6.8 系统

向 CKafka 中生产

目前 CKafka 支持 0.9.0.x、0.10.0.x、0.10.1.x、0.10.2.x 版本。
这里使用 0.10.2.1 版本的 Kafka 依赖。
build.sbt

name := "Producer Example"
version := "1.0"
scalaVersion := "2.11.8"
libraryDependencies += "org.apache.kafka" % "kafka-clients" % "0.10.2.1"

producer_example.scala

import java.util.Properties
import org.apache.kafka.clients.producer._

object ProducerExample extends App {
    val  props = new Properties()
    props.put("bootstrap.servers", "172.16.16.12:9092") //实例信息中的内网 IP 与端口

    props.put("key.serializer", "org.apache.kafka.common.serialization.StringSerializer")
    props.put("value.serializer", "org.apache.kafka.common.serialization.StringSerializer")

    val producer = new KafkaProducer[String, String](props)
    val TOPIC="test"  //指定要生产的 topic
    for(i<- 1 to 50){
            val record = new ProducerRecord(TOPIC, "key", s"hello $i") //生产 key 是"key",value 是 hello i 的消息
            producer.send(record)
    }
    val record = new ProducerRecord(TOPIC, "key", "the end "+new java.util.Date)
    producer.send(record)
    producer.close() //最后要断开
}

有关更多 ProducerRecord 的用法请参考 ProducerRecord 文档。

从 Ckafka 消费

DirectStream

在build.sbt添加依赖：

name := "Consumer Example"
version := "1.0"
scalaVersion := "2.11.8"
libraryDependencies += "org.apache.spark" %% "spark-core" % "2.1.0"
libraryDependencies += "org.apache.spark" %% "spark-streaming" % "2.1.0"
libraryDependencies += "org.apache.spark" %% "spark-streaming-kafka-0-10" % "2.1.0"

DirectStream_example.scala

import org.apache.kafka.clients.consumer.ConsumerRecord
import org.apache.kafka.common.serialization.StringDeserializer
import org.apache.kafka.common.TopicPartition
import org.apache.spark.streaming.kafka010._
import org.apache.spark.streaming.kafka010.LocationStrategies.PreferConsistent
import org.apache.spark.streaming.kafka010.ConsumerStrategies.Subscribe
import org.apache.spark.streaming.kafka010.KafkaUtils
import org.apache.spark.streaming.kafka010.OffsetRange
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import collection.JavaConversions._
import Array._

object Kafka {
    def main(args: Array[String]) {
        val kafkaParams = Map[String, Object](
            "bootstrap.servers" -> "172.16.16.12:9092",
            "key.deserializer" -> classOf[StringDeserializer],
            "value.deserializer" -> classOf[StringDeserializer],
            "group.id" -> "spark_stream_test1",
            "auto.offset.reset" -> "earliest",
            "enable.auto.commit" -> "false"
        )

        val sparkConf = new SparkConf()
        sparkConf.setMaster("local")
        sparkConf.setAppName("Kafka")
        val ssc = new StreamingContext(sparkConf, Seconds(5))
        val topics = Array("spark_test")

        val offsets : Map[TopicPartition, Long] = Map()

        for (i <- 0 until 3){
            val tp = new TopicPartition("spark_test", i)
            offsets.updated(tp , 0L)
        }
        val stream = KafkaUtils.createDirectStream[String, String](
            ssc,
            PreferConsistent,
            Subscribe[String, String](topics, kafkaParams)
        )
        println("directStream")
        stream.foreachRDD{ rdd=>
            //输出获得的消息
            rdd.foreach{iter =>
                val i = iter.value
                println(s"${i}")
            }
            //获得offset
            val offsetRanges = rdd.asInstanceOf[HasOffsetRanges].offsetRanges
            rdd.foreachPartition { iter =>
                val o: OffsetRange = offsetRanges(TaskContext.get.partitionId)
                println(s"${o.topic} ${o.partition} ${o.fromOffset} ${o.untilOffset}")
            }
        }

        // Start the computation
        ssc.start()
        ssc.awaitTermination()
    }
}

RDD

build.sbt配置同上。
RDD_example

import org.apache.kafka.clients.consumer.ConsumerRecord
import org.apache.kafka.common.serialization.StringDeserializer
import org.apache.spark.streaming.kafka010._
import org.apache.spark.streaming.kafka010.LocationStrategies.PreferConsistent
import org.apache.spark.streaming.kafka010.ConsumerStrategies.Subscribe
import org.apache.spark.streaming.kafka010.KafkaUtils
import org.apache.spark.streaming.kafka010.OffsetRange
import org.apache.spark.streaming.{Seconds, StreamingContext}
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import collection.JavaConversions._
import Array._


object Kafka {
    def main(args: Array[String]) {
        val kafkaParams = Map[String, Object](
            "bootstrap.servers" -> "172.16.16.12:9092",
            "key.deserializer" -> classOf[StringDeserializer],
            "value.deserializer" -> classOf[StringDeserializer],
            "group.id" -> "spark_stream",
            "auto.offset.reset" -> "earliest",
            "enable.auto.commit" -> (false: java.lang.Boolean)
        )
        val sc = new SparkContext("local", "Kafka", new SparkConf())
        val java_kafkaParams : java.util.Map[String, Object] = kafkaParams
        //按顺序向 parition 拉取相应 offset 范围的消息，如果拉取不到则阻塞直到超过等待时间或者新生产消息达到拉取的数量
        val offsetRanges = Array[OffsetRange](
            OffsetRange("spark_test", 0, 0, 5),
            OffsetRange("spark_test", 1, 0, 5),
            OffsetRange("spark_test", 2, 0, 5)
        )
        val range = KafkaUtils.createRDD[String, String](
            sc,
            java_kafkaParams,
            offsetRanges,
            PreferConsistent
        )
        range.foreach(rdd=>println(rdd.value))
        sc.stop()
    }
}

更多kafkaParams用法参考 kafkaParams 文档。

配置环境

安装sbt

1. 在 sbt 官网 上下载 sbt 包。

2. 解压后在 sbt 的目录下创建一个 sbt_run.sh 脚本并增加可执行权限，脚本内容如下：

   #!/bin/bash
   SBT_OPTS="-Xms512M -Xmx1536M -Xss1M -XX:+CMSClassUnloadingEnabled -XX:MaxPermSize=256M"
   java $SBT_OPTS -jar `dirname $0`/bin/sbt-launch.jar "$@"

   chmod u+x ./sbt_run.sh

3. 执行以下命令。

   ./sbt-run.sh sbt-version

   若能看到 sbt 版本说明可以正常运行。

安装protobuf

1. 下载 protobuf 相应版本。
2. 解压后进入目录。

   ./configure
   make && make install

   需要预先安装 gcc-g++，执行中可能需要 root 权限。
3. 重新登录，在命令行中输入下述内容。

   protoc --version

4. 若能看到 protobuf 版本说明可以正常运行。

安装 Hadoop

1. 访问 Hadoop 官网 下载所需要的版本。
2. 增加 Hadoop 用户。

   useradd -m hadoop -s /bin/bash

3. 增加管理员权限。

   visudo

4. 在root ALL=(ALL) ALL下增加一行。
   hadoop ALL=(ALL) ALL
   保存退出。
5. 使用 Hadoop 进行操作。

   su hadoop

6. SSH 无密码登录。

   cd ~/.ssh/                     # 若没有该目录，请先执行一次ssh localhost
   ssh-keygen -t rsa              # 会有提示，都按回车就可以
   cat id_rsa.pub >> authorized_keys  # 加入授权
   chmod 600 ./authorized_keys    # 修改文件权限

7. 安装 Java。

   sudo yum install java-1.8.0-openjdk java-1.8.0-openjdk-devel

8. 配置 ${JAVA_HOME}。

   vim /etc/profile

   在文末加上下述内容：

   export JAVA_HOME=/usr/lib/jvm/java-1.8.0-openjdk-1.8.0.121-0.b13.el6_8.x86_64/jre
   export PATH=$PATH:$JAVA_HOME

   根据安装情况修改对应路径。
9. 解压 Hadoop，进入目录。

   ./bin/hadoop version

   若能显示版本信息说明能正常运行。
10. 配置单机伪分布式(可根据需要搭建不同形式的集群)。

    vim /etc/profile

    在文末加上下述内容：

    export HADOOP_HOME=/usr/local/hadoop
    export PATH=$HADOOP_HOME/bin:$PATH

    根据安装情况修改对应路径。
11. 修改/etc/hadoop/core-site.xml。

    <configuration>
    <property>
        <name>hadoop.tmp.dir</name>
        <value>file:/usr/local/hadoop/tmp</value>
        <description>Abase for other temporary directories.</description>
    </property>
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://localhost:9000</value>
    </property>
    </configuration>

12. 修改/etc/hadoop/hdfs-site.xml。

    <configuration>
    <property>
        <name>dfs.replication</name>
        <value>1</value>
    </property>
    <property>
        <name>dfs.namenode.name.dir</name>
        <value>file:/usr/local/hadoop/tmp/dfs/name</value>
    </property>
    <property>
        <name>dfs.datanode.data.dir</name>
        <value>file:/usr/local/hadoop/tmp/dfs/data</value>
    </property>
    </configuration>

13. 修改/etc/hadoop/hadoop-env.sh中的 JAVA_HOME 为Java 的路径。

    export JAVA_HOME=/usr/lib/jvm/java-1.8.0-openjdk-1.8.0.121-0.b13.el6_8.x86_64/jre

14. 执行 NameNode 格式化。

    ./bin/hdfs namenode -format

    显示Exitting with status 0则表示成功。
15. 启动 Hadoop。

    ./sbin/start-dfs.sh

    成功启动会存在NameNode进程，DataNode进程，SecondaryNameNode进程。

安装 Spark

访问 Spark 官网 下载所需要的版本。
因为之前安装了 Hadoop，所以选择使用 Pre-build with user-provided Apache Hadoop。
本示例同样使用hadoop用户进行操作。

1. 解压进入目录。
2. 修改配置文件。

   cp ./conf/spark-env.sh.template ./conf/spark-env.sh
   vim ./conf/spark-env.sh

   在第一行添加下述内容：

   export SPARK_DIST_CLASSPATH=$(/usr/local/hadoop/bin/hadoop classpath)

   根据 hadoop 安装情况修改路径。
3. 运行示例。

   bin/run-example SparkPi

   若成功安装可以看到程序输出 π 的近似值。