How-to: make spark streaming collect data from Kafka topics and store data into hdfs

本文详细介绍了如何使用Spark项目创建一个类,用于连接Kafka主题并将数据存储到HDFS中。包括生成Spark示例JAR文件、配置Kafka服务器和Spark Streaming的步骤,并通过命令行启动Kafka服务器、生产者和Spark应用程序进行测试。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Develop steps:
  1. Develop class which is used for connect kafka topics and store data into hdfs.
    In spark project:
    ./examples/src/main/scala/org/apche/spark/examples/streaming/Kafka.scala
    package org.apache.spark.examples.streaming

    import java.util.Properties



    import org.apache.spark.streaming._
    import org.apache.spark.streaming.StreamingContext._
    import org.apache.spark.streaming.kafka._
    import org.apache.spark.SparkConf


    object Kafka {

      def main(args:Array[String])
      {
        if (args.length < 5) {
          System.err.println("Usage: Kafka <zkQuorum> <group> <topics> <numThreads> <output>")
          System.exit(1)
        }
        val Array(zkQuorum, group, topics, numThreads,output) = args
        val sparkConf = new SparkConf().setAppName("Kafka")
        val ssc =  new StreamingContext(sparkConf, Seconds(2))
        ssc.checkpoint("checkpoint")

        val topicpMap = topics.split(",").map((_,numThreads.toInt)).toMap
        val lines = KafkaUtils.createStream(ssc, zkQuorum, group, topicpMap).map(_._2)
        lines.print()
        lines.saveAsTextFiles(output, "txt")
        ssc.start()
        ssc.awaitTermination()
      }
    }
  2. Generate new spark examples jar:
    cd examples
    mvn -Pyarn -DskipTests clean package
  3. Replace cluster's spark-exapmes-*.jar with upper generated new one
Testing:
  • Start Kafka server, kafka producer:
    cd ${KAFKA_HOME}
    bin/kafka-server-start.sh config/server.properties
    bin/kafka-console-producer.sh --broker-list localhost:9092 --topic test
  • Start spark streaming to connect kafka:
    bin/spark-submit --master yarn-cluster --class org.apache.spark.examples.streaming.Kafka /opt/spark/lib/spark-examples-1.3.0-cdh5.4.1-hadoop2.6.0-cdh5.4.1.jar localhost:2183 group_kafka test 1 topics
    Notice: group_kafka: group id for current spark streaming consumer, could be anything
  • When yarn application turns into state: RUNNING, type message in spark producer:
    this is a testing message
  • Data is being written into hdfs:
    The numbers between topics and .txt is TIME_IN_MS(  milliscond).
    [hadoop@master root]$ hadoop fs -ls /user/hadoop/
    Found 82 items
    drwxr-xr-x   - hadoop supergroup          0 2015-06-18 13:13 /user/hadoop/.sparkStaging
    drwxr-xr-x   - hadoop supergroup          0 2015-06-18 13:13 /user/hadoop/checkpoint
    drwxr-xr-x   - hadoop supergroup          0 2015-06-18 13:11 /user/hadoop/topics-1434604268000
    drwxr-xr-x   - hadoop supergroup          0 2015-06-18 13:11 /user/hadoop/topics-1434604270000
    drwxr-xr-x   - hadoop supergroup          0 2015-06-18 13:11 /user/hadoop/topics-1434604272000
    drwxr-xr-x   - hadoop supergroup          0 2015-06-18 13:11 /user/hadoop/topics-1434604274000
    [hadoop@master root]$ hadoop fs -cat /user/hadoop/topics-1434604274000/part-00000
    this is a testing message
### 回答1: 使用Spark Streaming可以实时读取HDFS数据,并将其写入Elasticsearch中。 具体步骤如下: 1. 创建Spark Streaming应用程序,并设置批处理间隔时间。 2. 创建一个DStream,从HDFS读取数据。 3. 对DStream进行处理,例如过滤、转换等操作。 4. 将处理后的数据写入Elasticsearch中。 代码示例: ```python from pyspark import SparkContext from pyspark.streaming import StreamingContext from pyspark.streaming.kafka import KafkaUtils from elasticsearch import Elasticsearch # 创建SparkContext和StreamingContext sc = SparkContext(appName="HDFS to Elasticsearch") ssc = StreamingContext(sc, 10) # 从HDFS读取数据 lines = ssc.textFileStream("hdfs://localhost:900/data") # 对数据进行处理 words = lines.flatMap(lambda line: line.split(" ")) filtered_words = words.filter(lambda word: len(word) > 3) # 将数据写入Elasticsearch es = Elasticsearch() def send_to_es(rdd): for record in rdd.collect(): es.index(index="myindex", doc_type="mytype", body=record) filtered_words.foreachRDD(send_to_es) # 启动StreamingContext ssc.start() ssc.awaitTermination() ``` 这段代码从HDFS读取数据,对数据进行过滤,然后将处理后的数据写入Elasticsearch中。其中,send_to_es函数用于将RDD中的数据写入Elasticsearch。在实际使用中,需要根据具体的需求进行修改。 ### 回答2: Spark Streaming是Apache Spark生态系统中的一种强大的流处理框架。它提供了实时流数据处理的能力,并且可以无缝地与Hadoop生态系统集成。同时,Elasticsearch是一种分布式搜索引擎,它能够快速准确地处理大规模文本数据。 使用Spark Streaming实时读取HDFS数据并将其写入Elasticsearch中,可以实现流数据的实时处理和导入到搜索引擎进行快速准确的查询和分析。具体实现步骤如下: 1. 创建一个Spark Streaming应用程序,并定义接收数据的源。在本例中,可以使用Hadoop FileSystem API来读取HDFS文件系统中特定路径下的文件。 2. 将Spark Streaming应用程序与Elasticsearch连接。这可以通过使用Elasticsearch-Hadoop库来实现。这个库提供了一些Spark RDD的API,可以让你从Spark RDD导入数据到Elasticsearch中。 3. 实现对于数据的转换,以便可以将数据写入到Elasticsearch中。这个过程可能需要一些数据清洗和转换。在本例中,可以使用Spark SQL来处理数据的转换。 4. 实现数据的写入到Elasticsearch中。在这个过程中,可以使用Hadoop API从Spark上下文中读取数据,并将其写入到Elasticsearch中。可以将数据写入到一个新的Elasticsearch索引或直接添加到现有的索引中。 5. 启动Spark Streaming应用程序,并监视其处理实时流数据和写入Elasticsearch的性能和表现。 总的来说,用Spark Streaming实时读取HDFS数据并写入Elasticsearch中是一种非常有效的处理流数据的方式。这种方法需要一定的技术知识和经验,但可以为企业和组织提供实时数据处理和搜索分析的能力,从而做出更明智的业务决策。 ### 回答3: Spark Streaming是通过流形式处理数据的一种框架,在不断增长的数据中,它可以实时读取数据,同时进行实时分析和存储。HDFS是一个基于Hadoop的分布式文件系统,用于存储和处理大量数据。Elasticsearch是一个实时分布式搜索与分析引擎,它可以快速处理大量数据。 我们可以通过使用Spark Streaming来实时读取HDFS数据并将其写入Elasticsearch中。这个过程可以分为以下步骤: 1.创建Spark Streaming对象 在程序开始之前,需要定义一个Spark Streaming对象,它由StreamingContext来创建,通过指定时间间隔(batch interval)来控制进行实时处理的数据块大小。这里我们根据需求设置数据块大小为1秒,创建一个StreamingContext对象: val conf= new SparkConf() val ssc = new StreamingContext(conf, Seconds(1)) 2. 读取HDFS数据 通过Spark的FileInputDStream对象传递数据从HDFS中读取数据, 我们通过DStream对象来表示一连串的RDDs,从而使数据可以在流处理中被处理。例子中是读取Hadoop文件系统当中的某个文件夹 hdfs://localhost:9000/data val inputRDD = ssc.fileStream[LongWritable, Text, TextInputFormat](“hdfs://localhost:9000/data") 3. 对数据进行实时处理 我们需要继续对数据进行处理,以便将数据传递到Elasticsearch中,这里开发者可以根据自己的需求定义数据处理的逻辑。处理完后,我们需要将数据打包成Elasticsearch所接受的JSON格式,例如: input.flatMap(x ⇒ x._2.toString.split(”\n”)).map(callYourProcessingLogicFunction).map(toJson).saveJsonToEs(“index/type”); 4. 将处理好的数据写入Elasticsearch 通过Spark对Elasticsearch的支持,可以利用DStream类中的foreachRDD方法将数据写入到Elasticsearch中。以下为代码示例: input.foreachRDD((rdd,time) => rdd.saveToEs(“index/type”) ) 这就是使用Spark Streaming实时读取HDFS数据并将其写入Elasticsearch中的过程。需要注意的是,我们在处理大规模数据时,一定要注意数据的处理速度,否则我们将无法及时,准确地完成相关的处理。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值