Spark Streaming实现实时流处理

时间 2019-11-08

标签 spark streaming 实现实时处理栏目 Spark 繁體版

原文原文链接

1、Streaming与Flume的联调html

Spark 2.2.0 对应于 Flume 1.6.0

两种模式：

1. Flume-style push-based approach：

Flume推送数据給Streaming

Streaming的receiver做为Flume的Avro agent

Spark workers应该跑在Flume这台机器上

Streaming先启动，receiver监听Flume push data的端口

实现：

写flume配置文件：

netcat source -> memory channel -> avro sink

IDEA开发：

添加Spark-flume依赖

对应的API是FlumeUtils

开发代码：

import org.apache.spark.SparkConf
import org.apache.spark.streaming.flume.FlumeUtils
import org.apache.spark.streaming.{Seconds, StreamingContext}
 
/*
* Spark Streaming整合Flume的第一种方式
* */
object FlumePushWordCount {
  def main(args: Array[String]): Unit = {
 
    //外部传入参数
    if (args.length != 2) {
      System.out.println("Usage: FlumePushWordCount <hostname> <port>")
      System.exit(1)
    }
 
    val Array(hostname, port) = args  //外部args数组
 
    val sparkConf = new SparkConf().setMaster("local[2]").setAppName("FlumePushWordCount")
    val ssc = new StreamingContext(sparkConf, Seconds(5))
 
    //选择输入ssc的createStream方法，生成一个InputDStream
    val flumeStream = FlumeUtils.createStream(ssc, hostname, port.toInt)
 
    //因为flume的内容有head有body, 须要先把内容拿出来, 并去掉空值
    flumeStream.map(x => new String(x.event.getBody.array()).trim)
        .flatMap(x => x.split(" ")).map(x => (x, 1)).reduceByKey(_+_).print()
 
    ssc.start()
    ssc.awaitTermination()
  }
}

注意：为了避免hard-core，选择外部传入hostname和port

在IDEA测试时，能够在

里面的program argument输入运行参数

在本地测试时：

先启动Streaming做业，而后启动flume agent，最后经过telnet输入数据，观察IDEA的控制台输出

在服务器测试时：

submit时必定要把maven依赖中在--packages加上，自动会在网络上下载依赖

当不能下载时，须要--jars才能把预先下载好的jar包加上

2. Pull-based approach using a custom sink：

Streaming拉数据

Flume推送的数据先放到sink缓冲区

Streaming使用一个 reliable flume receiver，确保了数据的接收和备份

可靠性更高，支持容错，生产上面经常使用

一台机器运行Flume agent，Spark集群其余机器可访问这台机器的custom sink

实现：

Flume配置：

使用相关jars包，配置依赖：（参考Spark官网）

sink是一个独特的type

IDEA开发：

对应上面Flume的依赖，使用的是 createPollStream，区别于第一种模式

其余地方都同样，体现了Spark代码的复用性

本地测试：

先启动flume！！后启动Streaming做业

2、Streaming与Kafka的联调

Spark2.2.0对应于Kafka 0.8.2.1或更新（本次使用的是0.9.0.0）

两种模式：

1. Receiver-based approach

使用Kafka高级用户API

为了确保零数据丢失，须要用到 Write Ahead Logs（出现于Spark 1.2）

同步地保存接收到的数据到日志当中，出错时能够恢复（容错机制）

这是传统的方式，在ZK server中消费数据

用KafkaUtils和Streaming对接，同样须要加入kafka的各类依赖（见官网）

使用的API是createStream

注意：

此处的topic分区和RDD的分区不一样概念
多个Kafka DStream能够并行接收
用write ahead logs时须要配置StorageLevel.MEMORY_AND_DISK_SER

准备工做：

启动ZK server

启动kafka

./bin/kafka-server-start.sh -daemon ./config/server.properties

建立topic

./bin/kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 1 --partitions 1 --topic kafka_streaming_topic

测试topic可否正确生产和消费

kafka-console-producer.sh --broker-list localhost:9092 --topic kafka_streaming_topic

kafka-console-consumer.sh --zookeeper localhost:2181 --topic kafka_streaming_topic

IDEA代码：

import org.apache.spark.SparkConf
import org.apache.spark.streaming.kafka.KafkaUtils
import org.apache.spark.streaming.{Seconds, StreamingContext}
 
/*
* SparkStreaming对接Kafka其中的Receiver-based方式
* */
object KafkaReceiverWordCount {
  def main(args: Array[String]): Unit = {
 
    if (args.length != 4) {
      System.out.println("Usage: KafkaReceiverWordCount <zkQuorum> <group> <topics> <numThreads>")
      System.exit(1)
    }
 
    val Array(zkQuorum, group, topics, numThreads) = args
 
    val sparkConf = new SparkConf().setMaster("local[2]").setAppName("KafkaReceiverWordCount")
    val ssc = new StreamingContext(sparkConf, Seconds(5))
 
    //createStream须要传入的其中一个参数是一个Map，就是topics对应的线程数
    val topicsMap = topics.split(",").map((_, numThreads.toInt)).toMap
 
    val message = KafkaUtils.createStream(ssc, zkQuorum, group, topicsMap)
 
    //必定要取Stream的第二位才是数据，能够print出来看看，在实际生产中只是更改这一行的业务逻辑！！！
    message.map(_._2).flatMap(_.split(",")).map((_, 1)).reduceByKey(_+_).print()
 
    ssc.start()
    ssc.awaitTermination()
  }
}

本地测试／服务器测试：

从IDEA中输入参数，便可看到结果

从服务器测试也是打包submit就行，看web UI的时候留意验证receiver是占有一个Job的，证明了前面的理论

2. Direct Approach

No receiver！！！

从 Spark 1.3 版本开始有

没有了Receiver，而是周期性地检测Kafka的offset，用了kafka simple consumer API

优势：

简化了并行度，不须要建立多个input stream
性能更好，达到零数据丢失，且不须要保存副本于write ahead logs中
一次语义Exactly-once semantics

缺点：不能在zookeeper中更新offset，但能够本身设置让其更新

使用的API是createDirectStream

准备工做和上面同样。

IDEA代码：

import org.apache.spark.SparkConf
import org.apache.spark.streaming.kafka.KafkaUtils
import org.apache.spark.streaming.{Seconds, StreamingContext}
 
 
/*
* SparkStreaming对接Kafka其中的Direct方式
* */
object KafkaDirectWordCount {
  def main(args: Array[String]): Unit = {
 
    if (args.length != 4) {
      System.out.println("Usage: KafkaReceiverWordCount <brokers> <topics>")
      System.exit(1)
    }
 
    val Array(brokers, topics) = args
 
    val sparkConf = new SparkConf().setMaster("local[2]").setAppName("KafkaReceiverWordCount")
    val ssc = new StreamingContext(sparkConf, Seconds(5))
 
    //createDirectStream须要传入kafkaParams和topicsSet
    val kafkaParams = Map[String, String]("metadata.broker.list" -> brokers)
    val topicsSet = topics.split(",").toSet
 
    val message = KafkaUtils.createDirectStream[String, String, StringDecoder, StringDecoder](
      ssc, kafkaParams, topicsSet
    )
 
 
    //必定要取Stream的第二位才是数据，能够print出来看看
    message.map(_._2).flatMap(_.split(",")).map((_, 1)).reduceByKey(_+_).print()
 
    ssc.start()
    ssc.awaitTermination()
  }
}

注意：StringDecoder有可能由于前面写Kafka java API时的包冲突而导入失败

在IDEA运行时报错：

kafka.cluster.BrokerEndPoint cannot be cast to kafka.cluster.Broker

这是因为以前在Kafka基础学习中我设置的kafka的依赖是0.9.0.0，和咱们IDEA冲突，因此要把这一个依赖注释掉才能执行

调优时就是配置createDirectStream的参数嘛！！

3、Flume + Kafka + Spark Streaming经常使用流处理架构

实现的需求：实时（到如今为止）的日志访问统计操做

因为本人缺少日志采集来源，故使用python语言来实现一个日志生成器，模拟生产环境中服务器不断生成日志的过程

本生成器产生的日志内容包括ip、time、url、status、referer

根据前面的知识，咱们在实现的过程当中有如下步骤：

1. Flume的选型，在本例中设为exec-memory-kafka

2. 打开kafka一个消费者，再启动flume读取日志生成器中的log文件，可看到kafka中成功读取到日志产生器的实时数据

3. 让Kafka接收到的数据传输到Spark Streaming当中，这样就能够在Spark对实时接收到的数据进行操做了

因为与前面1、二的操做基本一致，此处再也不重复列出详细操做过程

下面直接进入Spark中对实时数据的操做：

分为数据清洗过程、统计功能实现过程两个步骤！其中统计功能的实现基本上和Spark SQL中的操做一致，这又体现了Spark的代码复用性，即能通用于多个框架中