Spark-Streaming获取kafka数据的两种方式-Receiver与Direct的方式

Spark-Streaming获取kafka数据的两种方式-Receiver与Direct的方式，能够从代码中简单理解成Receiver方式是经过zookeeper来链接kafka队列，Direct方式是直接链接到kafka的节点上获取数据了。

1、基于Receiver的方式

这种方式使用Receiver来获取数据。Receiver是使用Kafka的高层次Consumer API来实现的。receiver从Kafka中获取的数据都是存储在Spark Executor的内存中的，而后Spark Streaming启动的job会去处理那些数据。
然而，在默认的配置下，这种方式可能会由于底层的失败而丢失数据。若是要启用高可靠机制，让数据零丢失，就必须启用Spark Streaming的预写日志机制（Write Ahead Log，WAL）。该机制会同步地将接收到的Kafka数据写入分布式文件系统（好比HDFS）上的预写日志中。因此，即便底层节点出现了失败，也可使用预写日志中的数据进行恢复。

java代码

JavaPairReceiverInputDStream<String,String> lines = KafkaUtils.createStream(jsc, kafkaZookeeper, kafkaGroup, topicmap,StorageLevel.MEMORY_AND_DISK_SER);

须要注意的要点

一、Kafka中的topic的partition，与Spark中的RDD的partition是没有关系的。因此，在KafkaUtils.createStream()中，提升partition的数量，只会增长一个Receiver中，读取partition的线程的数量。不会增长Spark处理数据的并行度。
二、能够建立多个Kafka输入DStream，使用不一样的consumer group和topic，来经过多个receiver并行接收数据。
三、若是基于容错的文件系统，好比HDFS，启用了预写日志机制，接收到的数据都会被复制一份到预写日志中。所以，在KafkaUtils.createStream()中，设置的持久化级别是StorageLevel.MEMORY_AND_DISK_SER。

2、基于Direct的方式

这种新的不基于Receiver的直接方式，是在Spark 1.3中引入的，从而可以确保更加健壮的机制。替代掉使用Receiver来接收数据后，这种方式会周期性地查询Kafka，来得到每一个topic+partition的最新的offset，从而定义每一个batch的offset的范围。当处理数据的job启动时，就会使用Kafka的简单consumer api来获取Kafka指定offset范围的数据。

这种方式有以下优势：
一、简化并行读取：若是要读取多个partition，不须要建立多个输入DStream而后对它们进行union操做。Spark会建立跟Kafka partition同样多的RDD partition，而且会并行从Kafka中读取数据。因此在Kafka partition和RDD partition之间，有一个一对一的映射关系。
二、高性能：若是要保证零数据丢失，在基于receiver的方式中，须要开启WAL机制。这种方式其实效率低下，由于数据实际上被复制了两份，Kafka本身自己就有高可靠的机制，会对数据复制一份，而这里又会复制一份到WAL中。而基于direct的方式，不依赖Receiver，不须要开启WAL机制，只要Kafka中做了数据的复制，那么就能够经过Kafka的副本进行恢复。
三、一次且仅一次的事务机制：
基于receiver的方式，是使用Kafka的高阶API来在ZooKeeper中保存消费过的offset的。这是消费Kafka数据的传统方式。这种方式配合着WAL机制能够保证数据零丢失的高可靠性，可是却没法保证数据被处理一次且仅一次，可能会处理两次。由于Spark和ZooKeeper之间多是不一样步的。
基于direct的方式，使用kafka的简单api，Spark Streaming本身就负责追踪消费的offset，并保存在checkpoint中。Spark本身必定是同步的，所以能够保证数据是消费一次且仅消费一次。

java主要代码：

1. 每次启动时从zk获取偏移量（本身管理的偏移量）；
2. 获取kafka topic partition的偏移量，若是zk里的偏移量不在其中，则选择从最新或最旧的数据开始消费；
3. 读取数据；
4. 处理数据；
5. 修改kafka偏移量。

咱们主要用的是kafkaUtils.createDirectStream这个接口

JavaInputDStream<R> createDirectStream(JavaStreamingContext jssc,
Class<K> keyClass,                                                                                                                      
Class<V> valueClass,                                                                                                                   
Class<KD> keyDecoderClass,   
Class<VD> valueDecoderClass,
Class<R> recordClass,
java.util.Map<String,String> kafkaParams,
java.util.Map<kafka.common.TopicAndPartition,Long> fromOffsets,
Function<kafka.message.MessageAndMetadata<K,V>,R> messageHandler) 


Parameters:
jssc - JavaStreamingContext object
keyClass - Class of the keys in the Kafka records
valueClass - Class of the values in the Kafka records
keyDecoderClass - Class of the key decoder
valueDecoderClass - Class of the value decoder
recordClass - Class of the records in DStream
kafkaParams - Kafka configuration parameters. Requires "metadata.broker.list" or "bootstrap.servers" to be set with Kafka broker(s) (NOT zookeeper servers), specified in host1:port1,host2:port2 form.
fromOffsets - Per-topic/partition Kafka offsets defining the (inclusive) starting point of the stream
messageHandler - Function for translating each message and metadata into the desired type
Returns:
DStream of R

JavaInputDStream<String> input = KafkaUtils.createDirectStream(jsc,
				String.class,
				String.class, 
				StringDecoder.class, 
				StringDecoder.class, 
				String.class, 
				kafkaParams, 
				consumerOffsets, //消费偏移量
				new Function<MessageAndMetadata<String, String>, String>() {
					private static final long serialVersionUID = 1L;
					public String call(MessageAndMetadata<String, String> v1) throws Exception {
                        return v1.message();
                    }
                });//读取kafka数据
final AtomicReference<OffsetRange[]> offsetRanges = new AtomicReference<>();
		JavaDStream<String> javaDStream = input.transform(new Function<JavaRDD<String>,JavaRDD<String>>(){
			private static final long serialVersionUID = 1L;
			@Override
			public JavaRDD<String> call(JavaRDD<String> rdd) throws Exception {
				// TODO Auto-generated method stub
				OffsetRange[] offsets = ((HasOffsetRanges)rdd.rdd()).offsetRanges();
				offsetRanges.set(offsets);
				return rdd;
			}
		});//保存读取偏移量
javaDStream.foreachRDD(new VoidFunction<JavaRDD<String>>(){
			private static final long serialVersionUID = 1L;
			@Override
			public void call(JavaRDD<String> t) throws Exception {
				// TODO Auto-generated method stub
				if(t.isEmpty()){
					return;
				}
				 for (OffsetRange o : offsetRanges.get()) {
			         System.out.println(
			           o.topic() + " " + o.partition() + " " + o.fromOffset() + " " + o.untilOffset()
			         );
			         ConsumerOffset.updateZkOffset(zookeeper,kafkaGroup,kafkaTopic,o.partition(),o.untilOffset());
			       }
			}
		});//更新偏移量